R語言介紹

R語言是用于統計分析，圖形表示和報告的編程語言和軟件環境。 R語言由Ross Ihaka和Robert Gentleman在新西蘭奧克蘭大學創建，目前由R語言開發核心團隊開發。

R語言的核心是解釋計算機語言，其允許分支和循環以及使用函數的模塊化編程。 R語言允許與以C，C ++，.Net，Python或FORTRAN語言編寫的過程集成以提高效率。

R語言在GNU通用公共許可證下免費提供，并為各種操作系統（如Linux，Windows和Mac）提供預編譯的二進制版本。
R是一個在GNU風格的副本左側的自由軟件，GNU項目的官方部分叫做GNU S.

R的演變

R語言最初是由新西蘭奧克蘭奧克蘭大學統計系的Ross Ihaka和Robert Gentleman寫的。 R語言于1993年首次亮相。
一大群人通過發送代碼和錯誤報告對R做出了貢獻。

自1997年年中以來，已經有一個核心組（“R核心團隊”）可以修改R源代碼歸檔。

R的特點

如前所述，R語言是用于統計分析，圖形表示和報告的編程語言和軟件環境。 以下是R語言的重要特點：

• R語言是一種開發良好，簡單有效的編程語言，包括條件，循環，用戶定義的遞歸函數以及輸入和輸出設施。
• R語言具有有效的數據處理和存儲設施，
• R語言提供了一套用于數組，列表，向量和矩陣計算的運算符。
• R語言為數據分析提供了大型，一致和集成的工具集合。
• R語言提供直接在計算機上或在紙張上打印的圖形設施用于數據分析和顯示。

作為結論，R語言是世界上最廣泛使用的統計編程語言。 它是數據科學家的第一選擇，并由一個充滿活力和有才華的貢獻者社區支持。 R語言在大學教授并部署在關鍵業務應用程序中。 本教程將教您R編程與適當的例子在簡單和容易的步驟。

前言

  當我們想研究不同sample的某個變量A之間的差異時，往往會因為其它一些變量B對該變量的固有影響，而影響不同sample變量A的比較，這個時候需要對sample變量A進行標準化之后才能進行比較。標準化的方法是對sample 的 A變量和B變量進行loess回歸，擬合變量A關于變量B的函數 f(b)，f(b)則表示在B的影響下A的理論取值，A-f(B)（A對f(b）殘差）就可以去掉B變量對A變量的影響,此時殘差值就可以作為標準化的A值在不同sample之間進行比較。

Loess局部加權多項式回歸

  LOWESS最初由Cleveland 提出,后又被Cleveland&Devlin及其他許多人發展。在R中loess 函數是以lowess函數為基礎的更復雜功能更強大的函數。主要思想為:在數據集合的每一點用低維多項式擬合數據點的一個子集,并估計該點附近自變量數據點所對應的因變量值,該多項式是用加權最小二乘法來擬合;離該點越遠,權重越小,該點的回歸函數值就是這個局部多項式來得到,而用于加權最小二乘回歸的數據子集是由最近鄰方法確定。

  最大優點:不需要事先設定一個函數來對所有數據擬合一個模型。并且可以對同一數據進行多次不同的擬合，先對某個變量進行擬合，再對另一變量進行擬合，以探索數據中可能存在的某種關系，這是普通的回歸擬合無法做到的。

LOESS平滑方法

  1. 以x0為中心確定一個區間，區間的寬度可以靈活掌握。具體來說，區間的寬度取決于q=fn。其中q是參與局部回歸觀察值的個數，f是參加局部回歸觀察值的個數占觀察值個數的比例,n是觀察值的個數。在實際應用中，往往先選定f值，再根據f和n確定q的取值，一般情況下f的取值在1/3到2/3之間。q與f的取值一般沒有確定的準則。增大q值或f值，會導致平滑值平滑程度增加，對于數據中前在的細微變化模式則分辨率低，但噪聲小，而對數據中大的變化模式的表現則比較好；小的q值或f值，曲線粗糙，分辨率高，但噪聲大。沒有一個標準的f值，比較明智的做法是不斷的調試比較。

  2. 定義區間內所有點的權數，權數由權數函數來確定，比如立方加權函數weight = (1 - (dist/maxdist)^3)^3),dist為距離x的距離，maxdist為區間內距離x的最大距離。任一點(x0,y0)的權數是權數函數曲線的高度。權數函數應包括以下三個方面特性：(1)加權函數上的點(x0,y0)具有最大權數。(2)當x離開x0(時，權數逐漸減少。(3)加權函數以x0為中心對稱。

  3. 對區間內的散點擬合一條曲線y=f(x)。擬合的直線反映直線關系，接近x0的點在直線的擬合中起到主要的作用，區間外的點它們的權數為零。

  4. x0的平滑點就是x0在擬合出來的直線上的擬合點(y0,f( x0))。

  5. 對所有的點求出平滑點，將平滑點連接就得到Loess回歸曲線。

R語言代碼

 loess(formula, data, weights, subset, na.action, model = FALSE,
  span = 0.75, enp.target, degree = 2,
  parametric = FALSE, drop.square = FALSE, normalize = TRUE,
  family = c("gaussian", "symmetric"),
  method = c("loess", "model.frame"),
  control = loess.control(...), ...)

  formula是公式，比如y~x,可以輸入1到4個變量;

  data是放著變量的數據框，如果data為空，則在環境中尋找;

  na.action指定對NA數據的處理，默認是getOption("na.action");

  model是否返回模型框；

  span是alpha參數，可以控制平滑度,相當于上面所述的f，對于alpha小于1的時候，區間包含alpha的點，加權函數為立方加權，大于1時，使用所有的點，最大距離為alpha^(1/p)，p 為解釋變量;

  anp.target，定義span的備選方法；

  normalize，對多變量normalize到同一scale；

  family，如果是gaussian則使用最小二乘法，如果是symmetric則使用雙權函數進行再下降的M估計；

  method，是適應模型或者僅僅提取模型框架；

  control進一步更高級的控制，使用loess.control的參數；

  其它參數請自己參見manual并且查找資料

loess.control(surface = c("interpolate", "direct"),
   statistics = c("approximate", "exact"),
   trace.hat = c("exact", "approximate"),
   cell = 0.2, iterations = 4, ...)

  surface，擬合表面是從kd數進行插值還是進行精確計算；

  statistics,統計數據是精確計算還是近似，精確計算很慢

  trace.hat,要跟蹤的平滑的矩陣精確計算或近似？建議使用超過1000個數據點逼近，

  cell,如果通過kd樹最大的點進行插值的近似。大于cell floor(nspancell)的點被細分。

  robust fitting使用的迭代次數。

predict(object, newdata = NULL, se = FALSE,
 na.action = na.pass, ...)

  object，使用loess擬合出來的對象；

  newdata,可選數據框，在里面尋找變量并進行預測；

  se,是否計算標準誤差；

  對NA值的處理

實例

  生物數據分析中，我們想查看PCR擴增出來的擴增子的測序深度之間的差異，但不同的擴增子的擴增效率受到GC含量的影響，因此我們首先應該排除掉GC含量對擴增子深度的影響。

數據

amplicon 測序數據，處理后得到的每個amplicon的深度，每個amplicon的GC含量，每個amplicon的長度

先用loess進行曲線的擬合

gcCount.loess <- loess(log(RC+0.01)~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)

畫出擬合出來的曲線

predictions1<- predict (gcCount.loess,RC_DT$GC)
#plot scatter and line 
plot(RC_DT$GC,log(RC_DT$RC+0.01),cex=0.1,xlab="GC Content",ylab=expression(paste("log(NRC"["lib"],"+0.01)",sep="")))
lines(RC_DT$GC,predictions1,col = "red")

取殘差，去除GC含量對深度的影響

#sustract the influence of GC
resi <- log(RC_DT$RC+0.01)-predictions1
RC_DT$RC <- resi
setkey(RC_DT,GC)

此時RC_DT$RC就是normalize之后的RC

畫圖顯示nomalize之后的RC,并將擬合的loess曲線和normalize之后的數據保存

#plot scatter and line using Norm GC data
plot(RC_DT$GC,RC_DT$RC,cex=0.1,xlab="GC Content",ylab=expression("NRC"["GC"]))
gcCount.loess <- loess(RC~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)
save(gcCount.loess,file="/home/ywliao/project/Gengyan/gcCount.loess.Robject")
predictions2 <- predict(gcCount.loess,RC_DT$GC)
lines(RC_DT$GC,predictions2,col="red")
save(RC_DT,file="/home/ywliao/project/Gengyan/RC_DT.Rdata")

當然，也想看一下amplicon 長度len 對RC的影響，不過影響不大

全部代碼如下(經過修改，可能與上面完全匹配)：

library(data.table)

load("/home/ywliao/project/Gengyan/RC_DT.Rdata")
RRC_DT <- RC_DT[Type=="WBC" & !is.na(RC),]

lst <- list()
for (Samp in unique(RC_DT$Sample)){
RC_DT <- RRC_DT[Sample==Samp]
####loess GC vs RC####
gcCount.loess <- loess(log(RC+0.01)~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)
predictions1<- predict (gcCount.loess,RC_DT$GC)
#plot scatter and line 
#plot(RC_DT$GC,log(RC_DT$RC+0.01),cex=0.1,xlab="GC Content",ylab=expression(paste("log(NRC"["lib"],"+0.01)",sep="")))
#lines(RC_DT$GC,predictions1,col = "red")
#sustract the influence of GC
resi <- log(RC_DT$RC+0.01)-predictions1
RC_DT$NRC <- resi
setkey(RC_DT,GC)
#plot scatter and line using Norm GC data
#plot(RC_DT$GC,RC_DT$NRC,cex=0.1,xlab="GC Content",ylab=expression("NRC"["GC"]))
gcCount.loess <- loess(NRC~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)
predictions2 <- predict(gcCount.loess,RC_DT$GC)
#lines(RC_DT$GC,predictions2,col="red")
lst[[Samp]] <- RC_DT
}
NRC_DT <- rbindlist(lst)
save(RC_DT,file="/home/ywliao/project/Gengyan/NRC_DT.Rdata")

####loess len vs RC###
setkey(RC_DT,Len)
len.loess <- loess(RC_DT$NRC~RC_DT$Len, control = loess.control(surface = "direct"),degree=2)
predictions2<- predict (len.loess,RC_DT$Len)
#plot scatter and line 
plot(RC_DT$Len,RC_DT$NRC,cex=0.1,xlab="Length",ylab=expression(paste("log(RC"["GC"],"+0.01)",sep="")))
lines(RC_DT$Len,predictions2,col = "red")

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對html5模板網的支持。