r语言数据挖掘论文

刚接触R语言一周，和matab不同R作用于数据挖掘的库很多,详解见 R语言数据挖掘包 ，下面简介文本分析经常使用到的三个包 tm 为文本挖掘提供综合性处理 Rwordmsg 进行中文分词 wordcloud 统计词云 以第三届泰迪杯A题提供的数据集国美-Sheet1进行文本分析 : 第三届泰迪杯 转化为txt的数据集如下图所示:

生成词云:

目录 一般的VCF文件都很大，用手动提取里面的信息肯定不大现实。用 vcfR 就可以轻松实现。 vcfR 自带测试文件 vcfR_test 。就用这个文件来操作一下吧。 在分区 Genotype 里，通过观察 FORMAT 列可以看到一共有四种类型的数据 GT:GQ:DP:HQ ，至于这四种类型的数据个各自代表什么意思大家可以查阅知乎百度谷歌。我们可以提取出我们想要的数据类型。比方说最重要的 GT (genotype)。 同样，我们也可以提取例如 DP (测序深度Read Depth)的数字矩阵。 值的注意的是这里用到了参数 = TRUE 使得数据自动转换成了数字。但是并不是对所有类型的数据都有效，比方说我们重复一下提取 gt 。 在没有任何报错的情况下 gt 变成了一堆毫无意义的数字，很明显不合理，不要用这些经过错误转换的数据进行下一步分析，比方说喜闻乐见的主成分分析。 在一些类型的数据里可能会出现一个以上的结果，比方说上面的 HQ 数据。 一般情况下我们只需要每一列的第一个数字 不需要samtools之类的软件我们也可以实现vcf数据读取自由，关键是可以直接写入内存进行下一步的统计分析和数据可视化，个人感觉是很有效的提高了生产力。值得花时间学习一下这个工具。

目录 vcfR 可以直接读取vcf格式的数据。如果同时读取参照序列fasta格式的序列文件和gff格式文件的注释文件还可以获取更完整的信息(此步骤并非必须，可以只读取vcf数据)。在此处便于重复用到了 pinfsc50 包。这个包里是植物致病微生物的基因序列测序结果。包含了一个vcf文件，一个fasta文件和一个gff文件。 这里用到参照序列的数据。 当这些数据被读取到内存的时候就可以开始对染色体名字或者其它一些东西进行修改了。由于 vcfR 更擅长对的单独染色体进行分析，所以当你的基因过大或者有很多样本的时候，建议对数据进行拆分。 读取完数据以后就可以建立 chromR ，来对数据进行详细的分析。 首先对数据进行初步的可视化, 我们在上面的图里得到很多信息，比方说测序深度(DP)的峰在500，但是拖着尾巴，这个尾巴表示数据里包含着CNV信息。然后比对质量(MQ)的峰值在60,于是我们可以以60为中心对数据进行过滤。 使用 masker 可以对数据进行过滤标记。然后可视化过滤以后的数据。 是不是顺眼多了。当然我们也可以看一下SNP的分布情况。注意右下角的图。 用 chromoqc() 可以对数据进行更完整的可视化。包括外显子内含子的分布，GC含量的分布等等。 最后可以用函数 () 把数据输出成新的vcf文件。