编程模板-R语言脚本写作：最简单的统计与绘图，包安装、命令行参数解析、文件读取、表格和矢量图输出

作者简介

刘永鑫，博士。2008年和2011年毕业东北农业大学微生物学和作物遗传育种专业。2014年在中科院遗传发育所获生物信息学博士学位，2016年博士后出站留所工作，任宏基因组学实验室工程师，目前主要研究方向为宏基因组学数据分析方法、培养组学方法优化。2017年7月创办“宏基因组”公众号，目前关注人数1.5万，累计阅读超百万。

公众号：宏基因组(meta-genome)

写在前面

不常用R的朋友，可能并不能意识到好的编辑模板带来的长期效率提高和代码重用性，非计算机专业科研人员且需要使用R语言，此文会对您有帮助。

个人认为：是否能熟悉使用Shell(项目流程搭建)+R(数据统计与可视化)+Perl/Python等(胶水语言，数据格式转换，软件间衔接)三门语言是一位合格生物信息工程师的标准。

之前分享过我个人的《Shell语言》和《Perl语言》脚本写作模板，今天再分享一下我的R语言模板，一次性解决困扰新手的众多问题，如包安装、命令行参数解析、文件读取、Anova组间统计和箱线图展示、表格和矢量图输出等。

希望对新手有所帮助！老司机尽情拍砖，指导我写出更好用、更规范的脚本。

模板主要内容

此模板主要以下分为5部分：

1. 程序功能描述和分析思路

每次写脚本，一定要写清楚程序的功能、实现的主要步骤，每个参数的详细说明和使用示例。如果英语描述不方便理解，建议中英文全写，方便自己和同行快速理解。千万要认识写清楚这些，现点养成好习惯，将来节省的时间会更多。

2. 依赖关系检查、安装和加载

R己有过万的可用包，很少需要我们开发新功能。每次需要加载需要的包，但没有会报错，直接安装又不会提醒导致重复安装浪费时间。我添加判断R包是否安装的代码，当R包缺失时会自己动从CRAN安装。对于CRAN没有的包，也提供了Bioconductor和Github安装代码，只需手动修改包名安装即可。

此步还包括加载了optparse包后，对命令行的解析，以及在屏幕上显示参数，让用户校验是否正确。

3. 读取输入文件

R用于作图，读入最多的是制表符分割的表格。我提供了使用rnorm生成的测试数据，并输入了测试文件，其实这种方式在程序测试、教程和实验分析对照中也是很常用的。

同时提供了read.table读取文件，或read.table(file.choose())弹窗选择输入文件两种方式。

4. 统计与绘图

这其实才是正文部分，用户根据自己的需求编写代码分析数据，完成工作。本模板以anova组间比较，和箱线图展示为例，方法大家测试工作过程。

图1. 箱线图展示组间比较，且按组分配不同的颜色和形状(方便多组时区分)，并添加统计p值。

5. 保存图表

分析的结果最重要的工作是保存图表，用于进一步分析和论文写作。本模板提供了输出表格的代码，并解决了存在行名输出时，文本文件在Excel中打开列名位置串一格的问题(R表输出时行/列名交叉点为空)。图片建议一律输出PDF格式，主要控制图片的长宽即可，不存辨率的问题，后期AI修改组合非常方便。杂志也更喜欢，因为他们接收后修改方便。

模板使用方法

保存文末的全部代码，推荐在Rstudio中保存文件名为template.r，可以逐行运行学习，体会常用功能。

命令行中使用

# 方法1. 直接使用Rscript执行

Rscript template.r



# 调置输入数据文件，输出图表文件名前缀

Rscript template.r -i data_table.txt -o output



# 方法2. 添加可执行权限和环境变量

chmod +x template.r

# 链接至有权限写入的环境变量目录，如我的是~/bin/

ln `pwd`/template.r ~/bin/

# 任何地方可以直接调用此脚本

template.r -i data_table.txt -o output

程序运行结果如下：

[1] "The input file is data_table.txt"

[1] "The output file prefix is output"

[1] "The output table is output.txt"

[1] "The output figure is output.pdf"

文中把每个段落用if条件语句控制是否执行。方便读者开、关功能代码段。

用户还可根据自己的需求添加段落，再也不要为找常用语句的写法到处搜索了，有了模板，常用语句段落直接复制、修改，快速实现自己的工作！！！

模板全部代码及讲解

#!/usr/bin/env Rscript



# 1. 程序功能描述和主要步骤



# 程序功能：Anova组间统计和箱线图展示

# Anova Script functions: Calculate pvalue of groups by aov and TukeyHSD

# Main steps: 

# - Reads data table input.txt

# - Calculate pvalue and save in output.txt

# - Draw boxplot and save in output.pdf



# 程序使用示例

# USAGE

# Default

# anova.r     -i data_table.txt

#                        -o otuput filename prefix for output directory name 



# 参数说明

# Options

# -i/--input     输入数据表文件 input.txt

# -o/--output     输出结果文件名前缀 output_prefix, 通常会有统计表txt和矢量图pdf

options(warn = -1)



# 2. 依赖关系检查、安装和加载

# See whether these packages exist on comp. If not, install.

package_list <- c("optparse","reshape2","ggplot2","ggpubr")



for(p in package_list){

  if(!suppressWarnings(suppressMessages(require(p, character.only = TRUE, quietly = TRUE, warn.conflicts = FALSE)))){

    install.packages(p, repos="http://cran.r-project.org")

    suppressWarnings(suppressMessages(library(p, character.only = TRUE, quietly = TRUE, warn.conflicts = FALSE)))

  }

}

# 另两种常见R包安装方法

if (FALSE){

  # Bioconductor安装

  source("https://bioconductor.org/biocLite.R")

  biocLite(c("reshape2"))

  # Github安装

  install.packages("devtools", repo="http://cran.us.r-project.org")

  library(devtools)

  install_github("kassambara/ggpubr")

}



# 清理工作环境 clean enviroment object

rm(list=ls()) 



# 加载依赖关系 Load essential packages

library(optparse)

library(reshape2)

library(ggplot2)

library(ggpubr)



# 解析命令行

if (TRUE){

  option_list <- list(

  make_option(c("-i", "--input"), type="character", default="input.txt",

              help="Input table file to read [default %default]"),

  make_option(c("-o", "--output"), type="character", default="output",

              help="output directory or prefix [default %default]")

)

opts <- parse_args(OptionParser(option_list=option_list))



# 显示输入输出确认是否正确

print(paste("The input file is ", opts$input,  sep = ""))

print(paste("The output file prefix is ", opts$output, sep = ""))

}



# 3. 读取输入文件

# 需要使用哪种方式，将其设置为TRUE，其它为FALSE即可



# 产生两组数据比较

if (TRUE){

  # 产生两种各10个正态分布数值，分别以均值为1和2，标准差为均值的0.5倍，colnames修改组名称

  set.seed(123)

  A = rnorm(10, mean = 1, sd = 0.5)

  B = rnorm(10, mean = 2, sd = 1)

  dat=as.data.frame(cbind(A,B))

  colnames(dat)=c("GroupA","GroupB")

  # 保存数据文件方便下面演示

  write.table(dat, file="opts$input", append = F, quote = F, sep="\t", eol = "\n", na = "NA", dec = ".", row.names = F, col.names = T)

}



# 从文件中读取

if (FALSE){

  dat = read.table("opts$input", header=T, row.names = NULL, sep="\t")

}



# 弹出窗口选择文件

if (FALSE){

  dat = read.table(file.choose(), header=T, row.names = NULL, sep="\t")

}



# 4. 统计与绘图

if (TRUE){

  # 将宽表格将换为长表格(变量位于同列方便操作)

  dat_melt=melt(dat, id.vars = 0)

  # anova比较各组variable的观测值value

  anova <- aov(value ~ variable, data = dat_melt)

  # 计算Tukey显著性差异检验

  Tukey_HSD <- TukeyHSD(anova, ordered = TRUE, conf.level = 0.95)

  # 提取比较结果

  Tukey_HSD_table <- as.data.frame(Tukey_HSD$variable) 

  # 展示组间差异：四列分别为均值差异，差异最小值，差异最大值和校正的P值

  Tukey_HSD_table

  # 采用ggpubr包中的ggboxplot展示组间比较箱线图，并添加Wilcoxon整体差异P值

  # 增加了jitter点，color和shape按分组variable变化，添加统计值 

  p <- ggboxplot(dat_melt, x="variable", y="value", color = "variable", 

                 add = "jitter", shape="variable") +stat_compare_means()

  p

}



# 5. 保存图表

if (TRUE){

  # 保存一个制表符，解决存在行名时，列名无法对齐的问题

  write.table("\t", file=paste(opts$output,".txt",sep=""),append = F, quote = F, eol = "", row.names = F, col.names = F)

  # 保存统计结果，有waring正常

  write.table(Tukey_HSD_table, file=paste(opts$output,".txt",sep=""), append = T, quote = F, sep="\t", eol = "\n", na = "NA", dec = ".", row.names = T, col.names = T)

  print(paste("The output table is ", opts$output, ".txt",  sep = ""))

  # 保存图片至文件，pdf方便AI修改成出版级图片

  ggsave(file=paste(opts$output,".pdf",sep=""), p, width = 5, height = 3)

  print(paste("The output figure is ", opts$output, ".pdf",  sep = ""))

}

学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组”