Einführung in R Programming

Tag 1 - R 101

Andreas Mock

Welcome to the World of R!

Kursunterlagen: studyr.de

Translationale Onkologie 2020

Was ist R?

R ist eine freie Programmiersprache für statistische Berechnungen und Grafiken.
Obwohl R bereits alt ist (Erscheinungsjahr 1993) gilt diese als Standardsprache für statistische Problemstellungen in Wirtschaft und Wissenschaft
16102 Formelsammlungen (Stand 11.06.2019) für spezifische Fragestellungen (sog. Pakete)
Hoch-qualitative und individuelle Grafiken - viele Wissenschaftler benutzen R nur hierzu
Sowohl R, als auch alle Pakete sind kostenlos!!

RStudio

Grafische Benutzeroberfläche und Entwicklungsumgebung für R

R for Data Science, Hadley Wickham & Garrett Grolemund 2016

Data Science

R for Data Science, Hadley Wickham & Garrett Grolemund 2016

Weiterführende Literatur

Programmieren mit R
Hands-On Programming with R, Garrett Grolemund
- Kapitel 1, 2, 3, 4, 5, 7, 9
Link

Die “Bibel” für R User
R for Data Science, Hadley Wickham & Garrett Grolemund
Link

Kochbuch für R Plots
R Graphics Cookbock, Winston Chang
Link

R Architektur

R ist eine Objekt-orientierte Programmiersprache. Es dreht sich daher im Grunde alles darum Objekte herzustellen, zu manipulieren und zu visualisieren.

# Zuweisung von Zahlen zu einem Objekt
alter <- 67

R ist case-sensitive - Groß- und Kleinschreibung ist wichtig!

# Objekt `alter` ausgeben
alter

## [1] 67

# .. entspricht nicht
Alter

## Error in eval(expr, envir, enclos): object 'Alter' not found

R Objekttypen - Vektor

Def: Sammlung mehrerer Objekte gleicher Art (Länge 1 ist möglich).

# numerischer Vektor mit Länge 1
x1 <- 5 

# Charaktervektor mit Länge 1 (Text wird in "" gesetzt)
x2 <- "green"

# Vektoren mit Länge 3
y1 <- c(1,3,9)
y2 <- c("gene1","gene2","gene3")

Subsetting:

# um den vollständigen Vektor y2 auszugeben
y2

## [1] "gene1" "gene2" "gene3"

# um nur die ersten beiden Einträge des Vektors y2 auszugeben
y2[1:2]

## [1] "gene1" "gene2"

R Objekttypen - Matrix

Kombination mehrerer Vektoren gleichen Typs (numerisch oder Charakter). Die Matrix kann Zeilen- und Spaltennamen haben.

matrix <-  cbind(y1, y1, y1)
rownames(matrix)  <-  y2
colnames(matrix) <-  c("sample1","sample2","sample3")
matrix

##       sample1 sample2 sample3
## gene1       1       1       1
## gene2       3       3       3
## gene3       9       9       9

Ein Subset kann man sich mit der folgenden Syntax anzeigen lassen:

matrix[Zeile,Spalte]

Bespiele hierfür sind:

matrix[1,]

## sample1 sample2 sample3 
##       1       1       1

matrix[,3]

## gene1 gene2 gene3 
##     1     3     9

matrix[1:2,]

##       sample1 sample2 sample3
## gene1       1       1       1
## gene2       3       3       3

R Objekttypen - Dataframe

Im Gegensatz zu Matrizen können in Dataframes Vektoren verschiedenen Typs (z.B. numerischer Vektor und Charaktervektor) miteinander kombiniert werden. Wichtig: Die Vektoren müssen die gleiche Länge haben.

df <- data.frame(age=c(50,47,87),
                gender=c("male","male","female"))
df

##   age gender
## 1  50   male
## 2  47   male
## 3  87 female

Somit eignen sich Dataframes insbesondere für die Analyse von Patientenmetadaten im Rahmen von molekularbiologischen Experimenten oder klinischen Studien.

df

##   age gender
## 1  50   male
## 2  47   male
## 3  87 female

Eine Besonderheit von Dataframes ist die Möglichkeit einzelne Spalten durch den Spaltennamen zu selektieren.

df$age

## [1] 50 47 87

Dies entspricht der folgenden Matrixnotation

df[,1]

## [1] 50 47 87

R Objekttypen

Die Funktion class ermöglicht es den Typ eines Objektes zu eruieren:

class(df)

## [1] "data.frame"

R Objekttypen - Funktionen

Die Grundsyntax einer jeden Funktion ist

function(Objekt, Argumente)

Die Argumente sind hierbei fakultativ. R besitzt eine Vielzahl von Funktionen, ohne dass zusätzliche Packete geladen werden müssen.

sum(y1)

## [1] 13

mean(y1)

## [1] 4.333333

Die Funktion help öffnet die Dokumentation in RStudio und zeigt die notwendigen Objekte und Argumente zu jeder Funktion an. Als Beispiel, was genau macht die Funktion cbind?

help(cbind)

## starting httpd help server ... done

R Packete

Ein Paket ist nicht anderes als eine wohldurchdachte Formelsammlung, die für eine spezifische wissenschaftliche Fragestellung (z.B. die Analyse von Sequenzierungsdaten) entwickelt wurde.

Installation

install.packages("tidyverse")

Ins Environment laden

library(tidyverse)

Bespieldaten des Kurses

Metadaten des The Cancer Genome Atlas (TCGA) zur Analyse von Kopf-Hals-Tumoren (head and neck squamous cell carcinoma; HNSCC). Der Datensatz fasst die wichtigsten klinisch-pathologischen Charakteristika der Studienkohorte (n=279) zusammen.

Link zur Originalpublikation

#Datensatz in R laden
load(url("http://andreasmock.github.io/data/hnscc.RData"))

hnscc

## # A tibble: 279 x 11
##    id      age alcohol days_to_death gender neoplasm_site grade pack_years
##    <chr> <int> <chr>           <int> <chr>  <chr>         <chr>      <dbl>
##  1 TCGA~    69 YES               461 MALE   Oral Tongue   G3            51
##  2 TCGA~    39 YES               415 MALE   Larynx        G2            30
##  3 TCGA~    45 YES              1134 FEMALE Base of Tong~ G2            30
##  4 TCGA~    83 NO                276 MALE   Larynx        G2            75
##  5 TCGA~    47 YES               248 MALE   Floor of Mou~ G2            60
##  6 TCGA~    72 YES               190 MALE   Buccal Mucosa G1            20
##  7 TCGA~    56 YES               845 MALE   Alveolar Rid~ G2            NA
##  8 TCGA~    51 YES              1761 MALE   Tonsil        G2            NA
##  9 TCGA~    54 YES               186 MALE   Larynx        G2            62
## 10 TCGA~    58 YES               179 FEMALE Floor of Mou~ G3            60
## # ... with 269 more rows, and 3 more variables: tabacco_group <chr>,
## #   tumor_stage <chr>, vital_status <chr>

Exploration des `hnscc` Datensatzes

colnames(hnscc)

##  [1] "id"            "age"           "alcohol"       "days_to_death"
##  [5] "gender"        "neoplasm_site" "grade"         "pack_years"   
##  [9] "tabacco_group" "tumor_stage"   "vital_status"

head(hnscc$age)

## [1] 69 39 45 83 47 72

summary(hnscc$age)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   19.00   53.00   61.00   61.32   69.00   90.00

head(hnscc$alcohol)

## [1] "YES" "YES" "YES" "NO"  "YES" "YES"

table(hnscc$alcohol)

## 
##  NO YES 
##  85 188

table(is.na(hnscc$alcohol))

## 
## FALSE  TRUE 
##   273     6

summary(hnscc$days_to_death)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##     0.0   218.8   443.0   789.0   999.2  6416.0       1

table(hnscc$gender)

## 
## FEMALE   MALE 
##     76    203

table(hnscc$neoplasm_site)

## 
## Alveolar Ridge Base of Tongue  Buccal Mucosa Floor of Mouth    Hard Palate 
##              7             12              8             26              5 
##    Hypopharynx         Larynx            Lip    Oral Cavity    Oral Tongue 
##              2             72              1             49             76 
##     Oropharynx         Tonsil 
##              2             19

table(hnscc$grade)

## 
##  G1  G2  G3  G4  GX 
##  23 176  71   1   8

summary(hnscc$pack_years)

##      Min.   1st Qu.    Median      Mean   3rd Qu.      Max.      NA's 
##   0.01685  30.00000  45.00000  50.62485  60.00000 300.00000       125

table(hnscc$tabacco_group)

## 
## Current reformed smoker for < or = 15 years 
##                                          81 
##      Current reformed smoker for > 15 years 
##                                          49 
##                              Current smoker 
##                                          90 
##                         Lifelong Non-smoker 
##                                          52

table(hnscc$tumor_stage)

## 
##   Stage I  Stage II Stage III Stage IVA Stage IVB 
##        14        44        38       139         5

table(hnscc$vital_status)

## 
## DECEASED   LIVING 
##      116      163

Funktionen zur Exploration von Datensätzen

# Tabelle von kategoriellen Daten
table(<data>)

# Tabelle von fehlenden Informationen
table(is.na(<data>))

# Summary von kontinuierlichen Daten
summary(<data>)

R Plotting 101 - ggplot2 Paket

Visualisierungen mit dem ggplot2 Paket (Teil des tidyverse Pakets) neuer Standard in R.

Prinzip: Malen eines Gemähldes - Schicht für Schicht.

Metadaten des Bespieldatensatzes, die wir explorieren können:

colnames(hnscc)

##  [1] "id"            "age"           "alcohol"       "days_to_death"
##  [5] "gender"        "neoplasm_site" "grade"         "pack_years"   
##  [9] "tabacco_group" "tumor_stage"   "vital_status"

Leere Leinwand. age auf der x-Achse und days_to_death auf der y-Achse.

ggplot(hnscc, aes(x=age, y=days_to_death))

Dotplot

ggplot(hnscc, aes(x=age, y=days_to_death)) +
    geom_point()