我们已经使用Tidyr将数据进行了变形，使其符合Tidy data的原则。而在对数据进行正式的统计分析之前，通常还需要进行一些必要的数据处理，如：
- 改变结构：排序，修改列名
- 按行操作：过滤，选取，抽样
- 按列操作：筛选特定列
- 统计、分组统计：最大值，最小值等
要完成以上这些分析，我们可以使用R中非常强大的一个包dplyr，通过几个简单的命令，即可完成我们想要的分析。
1.dplyr包的安装和加载
# 安装dplyr包
>install.packages("dplyr")
# 加载dplyr包
>library(dplyr)
2.使用dplyr进行数据管理
（1）排序：arrange
在使用tidyr对数据进行处理后，如下：
image
在上面的图表中，是以SampleName进行排序的，我们可以以GeneId进行排序：
# arrange（数据框名，要排序的列名）
gene_exp_GeneId <- arrange(gene_exp_tidy, GeneId)
按GeneId排序后的效果如下：
image
如果我们想要在GeneId排序的基础上，再以Expression排序：
gene_exp_GeneId_Exp <- arrange(gene_exp_tidy, GeneId, Expression)
image
默认条件下，是以升序排列的，如果我们想要以降序排列，只需在需要降序排列的列名前添加desc即可：
# 降序排列
gene_exp_GeneId_descExp <- arrange(gene_exp_tidy, GeneId, desc(Expression))
image
（2）按行（观测）筛选：filter
筛选出表达量大于1的观测：
# filter(数据框名，筛选条件)
filter(gene_exp_tidy, Expression > 1)
image
筛选出表达量大于1，并且基因名为gene1的观测：
filter(gene_exp_tidy, Expression > 1, GeneId == "gene1")
image
（3）按列筛选：select
select函数用于选择需要展示的列：
# 只展示SampleName和Expression列
select(gene_exp_tidy, SampleName, Expression)
image
使用select函数，我们还可以进行模糊的筛选：
# 筛选所有列名中包含"me"的列
select(gene_exp_tidy, contains("me"))
image
# 展示所有列名中，以G开始的列
select(gene_exp_tidy, starts_with("G"))
image
（4）管道操作符：%>%
我们对数据的筛选和排序操作，可以使用管道符连接起来，一步即可完成：
# 先筛选出表达量大于1的观测，再按GeneId升序排列，同时按Expression降序排列
filter(gene_exp_tidy, Expression >1) %>% arrange(GeneId, desc(Expression))
# 说明：使用管道符连接时，第一个操作的输出结果会成为第二个操作的输入，因此在arrange中不再需要指定数据框的名称
image
（5）去除重复：distinct
使用distinct函数，我们可以去除数据框中有重复的行：
# 去除GeneId中有重复的行
distinct(gene_exp_tidy, GeneId)
image
（6）添加新变量：mutate
mutate函数用于根据已有的变量，产生一个新的变量：
# 产生一个表达量是现有表达量10倍的变量
mutate(gene_exp_tidy, "10Exp" = Expression * 10)
image
# 得到表达量变为10倍的变量后，去除原来的Express列
mutate(gene_exp_tidy, "10Exp" = Expression * 10) %>%
select(-Expression)
image
# 在每一个GeneId前面，添加Os字符，用于说明是水稻的基因，并去除原来的GeneId列
# paste函数用来连接字符
mutate(gene_exp_tidy, Gene_ID = paste("Os", GeneId, sep = "_" ) ) %>%
select(Gene_ID, SampleName, Expression)
image
（7）分组统计：group_by %>% summarise
使用summarise函数，可以对数据进行简单的统计：
# 计算Expressin的平均值
summarise(gene_exp_tidy, avg = mean(Expression))
image
先对数据进行分组，再进行统计：
# 先以GeneId进行分组，再计算平均值
gene_exp_tidy %>%
group_by(GeneId)%>%
summarise(avg = mean(Expression))
image
# 计算每个基因在三个样品中表达量的标准差sd
gene_exp_tidy %>%
group_by(GeneId)%>%
summarise(sd = sd(Expression))
image
