R语言毕竟是最强大的编程语言，可实现统计和数据可视化的功能。
在之前我们专门介绍过几种热图绘制工具，其实在生信领域中大多数热图真的可以直接用R语言就能实现。
R是一种区分大小写的解释型语言。
我们可以在命令提示符(>)后每次输入并执行一条命令，或者一次性执行写在脚本文件中的一组命令。
R中有多种数据类型，包括向量、矩阵、数据框和列表。
R中的多数功能是由程序内置函数和用户自编函数提供的，一次交互式会话期间的所有数据对象都被保存在内存中。
一些基本函数是默认直接可用，其他高级函数则包含于按需加载的程序包中。
R语句由函数和赋值构成。
R使用<-，而不是传统的=作为赋值符号。
今天小编就先从R语言基础，即R的安装、R的载入和数据导入开始讲起，往后将继续介绍如何用R语言做深入的数据分析。
安装R和RStudioR可在CRAN上免费下载。
建议先安装R包，再安装RStudio。
Linux、Mac OSX和Windows都有相应编译好的二进制版本，根据你选择平台的安装说明进行安装即可。
RStudio是目前最受欢迎的R集成开发环境，体验效果极佳。
而且RStudio上面提供了很多R学习资源，可点击菜单栏查看免费获取。
R提供了很多种功能，而且这些功能通过可选模块的下载和安装来实现的。
这些包提供了横跨各种领域的功能，包括分析地理数据、处理蛋白质质谱等。
那什么是包呢？包是R函数、数据、预编译代码以一种定义完善的格式组成的集合。
库library中存储了很多包。
函数.libPaths()可显示库所在位置，函数library()则可显示库中有哪些包。
R自带了一系列默认包（base、datasets、utils、grDevices、graphics、stats、methods），它们提供了很多种默认函数和数据集。
安装好后，它们必须被载入到会话中才能用。
命令search()可显示哪些包已加载并可使用。
安装R包R包是R函数、数据、预编译代码以一种定义完善的格式组成的集合。
其实在安装R软件时，R会自动安装一些基础R包，基础R包提供了很多默认函数和数据集，其他大多数R包需要手动安装，例如ggplot2包等。
第一次安装一个包，使用命令install.packages()即可。
如果不加参数执行install.packages()将显示一个CRAN镜像站点的列表，选择其中一个镜像站点之后，将看到所有可用包的列表，选择其中的一个包即可进行下载和安装。
R包可从三种途径安装。
CRAN安装R包可以从CRAN上安装，只需在命令行输入代码install. packages(“package_name”)即可。
例如，安装readr包，可以这样输入Install.packages(“readr”)Bioconductor在Bioconductor上安装R包。
Bioconductor数据库存储了专用于生信领域的R包。
在Bioconductor上安装R包可参考其官网的安装方法，操作跟CRAN上类似。
例如从Bioconductor安装用于分析基因组数据的R/Bioconductor包limma，可以输入：Source(https://bioconductor.org/biocLite.R)biocLite(“limma”)也可以使用Biocmanager:install(“limma”)这种形式Github另外可从github安装R包，github适用于所有软件开发和数据分析的资源库，以便共享你的包。
对于github上安装一个包，首先应安装devtools包在你电脑上。
例如可输入下面代码安装最新版本的survminer的R包install.packages(“devtools”)devtools::install_github(“kassambara/survminer”)R包的载入包的安装就是从某个CRAN镜像站点下载它并将其放入库中的过程。
要在R会话中使用包，还需使用library()命令载入这个包。
载入一个包后，就可用一系列新的函数和数据集了。
包提供了演示性的小型数据集和示例代码，能让我们尝试这些新功能。
R与数据导入当你获取到来自多种数据源和数据格式的数据时，R就提供了适用范围广泛的数据导入工具。
R可从键盘、文本文件、Microsoft Excel和Access、统计软件、特殊格式文件，及多种关系型数据库中导入数据。
使用键盘输入数据R中的函数edit()自动调用一个允许手动输入数据的文本编辑器。
具体步骤如下：创建一个空的数据框，其中变量名称和变量模式与理想中的最终数据集一致。
针对这个数据对象调用文本编辑器，输入你的数据，将结果保存回这个数据对象中。
例如，我们创建一个名为mydata的数据框，它有三个变量：age（数值型）、gender（字符型）、weight（数值型），我们再将调用文本编辑器，键入数据，最后保存结果。
mydata <- data.frame(age=numeric(0) , gender=character (0), weight=numeric (0) )mydata <- edit (mydata)类似于age=numeric(0)的赋值语句将创建一个指定模式但不含实际数据的变量。
edit()函数其实是在对象的一个副本上进行操作。
从带分隔符的文本文件导入数据我们可用read.table()从带分隔符的文本文件中导入数据。
此函数可读入一个表格格式的文件并将其保存为一个数据框。
mydataframe <- read.table(file, header=logical_value, sep=”delimiter”, row.names=”name”)其中，file是一个带分隔符的ASCII文本文件，header是一个表明首行是否包含了变量名的逻辑值（TRUE或FALSE），sep用来指定分隔数据的分隔符，row.names是一个可选参数，用以指定一个或多个表示行标识符的变量。
grades <- read.table(“studentgrades.csv”, header=TRUE, sep=”,”, row.names=”STUDENTID”)函数read.table()还拥有很多微调数据导入方式的追加选项，如quote参数用于控制导入的信息是否需要被双引号引用，dec参数控制导入数据的小数点后位数等，某些情况下导入被空格分离的字符串如“B cell resting”，会被自动转化为“B.cell.resting”形式，这种情况下可设置Check.names参数。
一般而言，txt文件以制表符“\t”作为分隔符，与excel的csv格式中的逗号分隔稍有不同。
导入Excel数据读取一个Excel文件夹的最好方式，就是在Excel中将其导出为一个逗号分隔文件（csv），然后再将其导入R中。
在Windows系统里，可用RODBC包来方位Excel文件。
首先，下载并安装RODBC包。
install.packages(“RODBC”)可使用下面代码导入数据：library(RODBC)channel <- odbcConnectExcel (“myfile.xls”)mydataframe <- sqlFetch(channel, “mysheet”)odbcClose(channel)其中，myfile.xls是一个Excel文件，mysheet是要从这个工作簿中读取工作表的名称，channel是一个由odbcConnectExcel()返回的RODBC连接对象，mydataframe是返回的数据框。
RODBC也可用于从Access中导入数据。
导入SPSS数据SPSS数据集可通过foreign包中的函数read.spss()导入到R中，也可用Hmisc包中的spss.get()函数。
函数spss.get()是对read.spss()的一个封装，它可自动设置后者的很多参数。
首先，下载并安装Hmisc包install.package(“Hmisc”)然后使用以下代码导入数据：library(Hmisc)mydataframe <- spss.get (“mydata.sav”, use.value.labels=TRUE)这段代码中，mydata.sav是要导入的SPSS数据文件，use.value.labels=TRUE表示让函数将带有值标签的变量导入为R中水平对应相同的因子，mydataframe是导入后的R数据框。
导入SAS数据R中设计了若干用来导入SAS数据集的函数，包括foreign包中的read.ssd()和Hmisc包中的sas.get()。
我们可以在SAS中使用PROC EXPORT将SAS数据集保存为一个逗号分隔的文本文件，然后将导出的文件读取到R中。
如下所示：SAS程序中：proc export data=mydata outfile=”mydata.csv” dbms=csv;run;R程序：Mydata <- read.table(“mydata.csv”, header=TRUE, sep=”,”)导入STATA数据将Stata数据导入R的代码类似于：Library(foreign)Mydataframe <- read.dta (“mydata.dta”)R与数据导出除了可以把数据导入R中，还可从R中把数据导出，以便保存数据或在外部程序中使用。
那怎样从R中导出数据呢？符号分隔文本文件可用write.table()函数将R对象输出到符号分隔文件中。
函数使用方法是：write.table(x, outfile, sep=delimiter, quote=TRUE, na=”NA”)其中x是输出对象，outfile是目标文件。
例如，write.table(mydata, “mydata.txt”, sep=”,”)将mydata数据集输出到当前目录下逗号分隔的mydata.txt文件。
用路径将输出文件保存到任何地方。
用sep=”\t”替换sep=”,”，数据就会保存到制表符分隔的文件中。
默认情况下，字符串是放在双引号中，缺失值用NA表示。
Excel表格xlsx包中的write.xlsx()函数可将R数据框写入到Excel文件中。
使用方法是library(xlsx)write.xlsx(x, outfile, col.Names=TRUE, row.names=TRUE, sheetName=”Sheet 1”, append=FALSE)例如，library(xlsx)write.xlsx(mydata, “mydata.xlsx”)将mydata数据框保存到当前目录下的Excel文件mydata.xlsx的工作表中（默认为Sheet 1）。
在这种情况下，数据集的变量名称被作为电子表格头部，行名称会放在电子表格的第一列。
函数会覆盖已存在的mydata.xlsx文件。
统计学程序foreign包中的write.foreign()可将数据框导出到外部统计软件，会创建两个文件，一个是保存数据的文本文件，另一个是指导外部统计软件导入数据的编码文件。
write.foreign(dataframe, datafile, codefile, package=package)例如，看下面这段代码：library(foreign)write.foreign(mydata, “mydata.txt”, “mycode.sps”, package=”SPSS”)将mydata数据框导出到当前目录的纯文本文件mydata.txt中，同时还会生成一个用于读取该文本文件的SPSS程序mycode.sps。
Package参数的其他值还有“SAS”和“Stata”结语今天跟大家介绍了R的安装、R的载入和数据导入导出，这些还是最基础的东西，其实安装R和载入R包并不复杂，关键就在于数据处理分析。
数据的准备可能是数据分析中最具挑战性的任务之一，R提供了丰富函数用以访问外部数据，包括统计软件、数据库等的数据，换言之我们做统计学分析和绘图都需要使用R语言，所以我们对R语言的运用一定要了如指掌，对于生信小白来说，平时没事做，就不要打王者，就把娱乐时间拿来反复练习运用R语言。