解读此表
但是上面的用法做不到随心所欲的指定任意两组进行比较，所有还有下一种方法
处理好了分组信息，再自定义比较元素
自定义函数进行比较
热土和火山图都是傻瓜式的，只要的前面得出的deg数据(也就是基因差异表达数据）是正确的
R语言数据结构主要有以下四种：
向量：一串相同类型的数据，不限于数字，字符，逻辑都可以，单独拿出来的一列。什么是看做一个整体，一个向量里有若干个数据，它们组成一个整体之后，可以拥有一个共同的名字。
以下主要讲向量：
向量就是一串数据，串联在一起，组成一个整体，向量由元素组成。
很长的向量要么从数据框提取一列，或是有规律地生成，如连续的数据：
paste0函数连接两个向量，逗号 , 前后各有一个向量，如字符型和数值型向量。
paste0和paste的区别是：
paste0函数 把两个向量的元素一一对应进行 无缝 连接，而 paste函数 把两个向量的元素一一对应进行 空格 连接。paste函数有默认值为空格，在空格处把空格去掉sep=""引号里把默认的空格去掉，即什么没有，就变成无缝连接，也可以用其它的符号连接sep="/"，sep="_"等。
数值型、字符型、逻辑型：只要有字符型在，用c()生成向量为字符型。只有逻辑型和数值型，用c()生成向量为数值型。
c()函数生成向量时，要求为生成同一种数据类型
注意的地方：
变量名 ：c()为生成向量函数，一般除字母c外，取单个字母或是单词及缩写，组成变量名的字母之间不要有空格，不能以数字为变量名或是以数字开头，变量名不能是中文名，特殊符号等。
<- 与c()函数之间没有空格。
<- 的快捷键输入：
mac电脑： option 和 - ；
windows电脑： Alt 和 -
= 在任何情况下可替代 <- ，但是 = 除了赋值，还有其它用法，比如函数里参数用法。 <- 不能在任意情况下代替 = 。
强大的计算是体现在批量计算上，先把一些数据组成一个整体，
还是以向量x为单位进行
其中五个重要函数，一定要掌握。
能用函数代替的东西，坚决不用手和眼睛去数，比如length()统计向量元素个数。
结论：unique(x)与x[!duplicated(x)]函数相同
用identical()可以判断两个函数是否相同（数据结构与数据类型是否完全相同）
重点和难点：
x==y ：x和对应位置的y相等吗？（x和y里的元素，按顺序一一对应比较，讲究位置对应，两者里第一个元素相同就返TRUE，比较完两个向量的第一位置上的元素，接着比较两个向量第二个位置元素...到两个向量最后）。
x和y不一样长：理解“循环补齐”
结论： 如果x与y的向量元素长度不相等，以长度向量说了算，不是由在==前的向量决定。
x%in%y ：x的每个元素在y中存在吗？（x的元素挨个到y里和所有元素比较，在y里有的相同的返回TRUE，不讲究位置，有就是TRUE，没有为FALSE）。比如y向量加了一个元素2，返回还是9个逻辑值，返回的逻辑值是与x一一对应，和y没有关系。
加减乘除，两个向量直接可以进行，等位运算。前提是两个向量必须等长，即元素个数一样。
用paste0或是paste连接两个向量，两个向量的长度（元素个数）不一致，循环补齐。
intersect(x,y)，union(x,y)，setdiff(x,y)，setdiff(y,x)，x与y顺序颠倒（setdiff()与%in%有点儿相似）。
[] ：取子集符号，将TRUE对应的值挑选出来，FALSE丢弃.
例：在13个数中，取出大于7的数，首先把13个数值组成一个向量x，x>7返回是逻辑值。
取值子集的对象放在中括号的外面，取子集的逻辑值向量放在中括号里面。
单独运行中括号里的向量，中括号里各种条件的返回结果有共同的规律，是一个与x等长的逻辑值向量。
下标：代表在哪个位置上。
符号 ： []
按照逻辑值： 中括号里是与x等长的逻辑值向量
按照位置： 中括号里是由x的下标组成的向量（支持反选）
思考：从13个彩色（绿，蓝，黄）球中，选出属于蓝色和绿色的：
使用x %in% y还是x ==y，用x %in% y，不是等位循环补齐运算，%in%比较灵活，可以在很多场景中使用，如3选2，50选2，50选20等。
13个球的颜色赋值给向量x，蓝色和绿色赋值给y。
x %in% y
x[x %in% y]
修改向量的元素，修改x里的第四个元素
注意：R于语言里所有的修改，都要赋值，没有赋值就是没有发生过
把随机函数生成的数永远为一组数据：用随机函数生成向量，后运行set.seed(10086)
x[match(y,x)] 和 x[order(x)]
排序，如何调整元素顺序
结论：sort(x)等于x[order(x)]，背诵下来
两个向量没有做关联的操作，可以用order函数排序对应信息
向量匹配排序-match，match函数是连线用的
x[match(y,x)] 的以后用法：以y作为模版，给x调顺序。
match：谁在中括号外面，谁就在后面， x[match(y,x)] ，以y作为模板，用x作为原料去取子集，按照一个顺序取子集，取出来的子集和y一样。
需要背诵的两个用法： x[match(y,x)] 和 x[order(x)]
练习题：在以下x和y表格里如何将y的列名一对一替换为ID
切换Rproj的时候出现弹窗：是否将工作空间保存到 .Rdata ？
答案是：不保存，之前单独保存好脚本和图片，这里出现的提示是否临时保存，不需要保存。
.Rdata ？是什么：
以 . 开头的文件，通常用作配置，系统默认隐藏这类文件
.Rdata 是保存工作空间的默认文件
.History 是保存历史命令的默认文件
如果打开Rstudio特别慢，可能是因为 .Rdata 保存了很大的变量，可以找到 .Rdata 文件将其删除。
在Rproj右下角打开脚本时，编辑器脚本的中文注释出现乱码，解决如下：
以上内容是听 生信技能树 小洁老师的 R语言线上课 ，根据自己的理解记录下来，小洁老师授课非常细心，对不同水平的同学都照顾到，并且补充很多技巧以及注意事项。
之前学习过R语言，那时对向量认识不够深，也没有重视，数据框的列单独拿出来就是一个向量。认真听小洁老师的讲解以及最近跑几个GEO数据集发现学会对向量的熟练操作以及熟练一些重要的函数，在实战过程中会顺利些。
生态学涉及多元统计方法，特别是排序和聚类，都是明确或不明确地基于所有可能对象或者变量之间的比较。这些比较通常采用关联测度（association
meansures）(常称为系数或者指数)的形式，不管是样方还是变量之间的比较都是基于他们组成的矩阵，因此选择合适的关联测度非常重要。
在任何分析之前，需要问下面这些问题：
在两个对象中同一值为零，在这两个对象中可能蕴含的意义不同，但零值增加了对象的相似性。就物种数据而言，两个样方中都没有一个物种可能有不同的解释：不适合生存或者还没有迁徙到此地？因此物种存在的信息比物种缺失的信息更有意义。依据双零问题也可以区分两类关联测度：视双零为相似的依据（同其他值）的为对称系数，反之为非对称系数。在大部分情况下，应该优先选择非对称系数，除非可以确定引起双缺失的原因相同，例如在已知物种组成群落或生态同质区域内的控制实验。
这里可能比较难理解，简单来说就是两个样方都出现0值，但是造成0值的原因可能不一样，所以需要优先考虑非对称系数(除非可以确定引起0值的原因相同)
变量可以是定性变量（名义的或分类的，二元的或多级的），也可以是半定量变量(序数的)或定量变量(离散的或连续的)。所以类型的变量均存在关联系数，其中大部分可以归为两类：二元变量的关联系数(二元系数，指被分析的变量是0-1的二元数据，并非关联测度数值为0-1的数据)和定量变量的关联系数(以下简称为数量系数)
在Q模式分析中，我们需要用到6个程序包：stats(安装基础程序时已经载入)、vegan、ade4、adespatial、cluster和FD等等。
在R中，所有的相似测度方阵可以转化为相异测度方阵，距离方阵(R里面属于"dist"类对象)对角线的值(每个对象与自身的距离)均为0
定量的物种数据通常需要使用非对称的距离测度。在物种数据分析方面，常用的系数有Bray-Curtis相异系数、弦（chord）距离、Hellinger距离和卡方距离。
在R中实现：
当可用的仅仅是二元(有-无)物种数据，或多度的数据不适用，或包含不确定的定量数据时，可使用有-无(0-1)数据进行分析。
关联矩阵一般作为中间实体，很少用于直接研究。然而，如果对象不多，直接展示关联矩阵也很有用，能够将数据的主要特征可视化。
建议使用coldiss()函数可视化相异矩阵。coldiss()函数会使用一个能重新排列矩阵的函数order.single()(属于gclus包)，该函数可以根据对象之间的距离沿着对角线重新将对象排位。但是必须先安装gclus包。
在未转化的相异矩阵中，数量多的物种之间的多度差异与数量少的物种之间的多度差异有同等权重。
这些案例均是处理物种数据，Doubs样带具有强烈的生态梯度特征(例如氧含量和硝酸盐浓度)。Doubs样带的环境背景很清楚，可以假设在特定的某一段河流，物种的缺失可能是某种相同的原因造成的，因此可以计算对称系数的关联矩阵。
对双零有明确解释的定量数据，欧氏距离是对称距离测度的最佳选择。注意欧氏距离的值没有上限，但受变量纲量影响较大，所以前面我们的数据转化就派上用场了。
此处用标准化后的环境因子变量（env）计算样方的欧氏距离。先剔除dfs变量(离源头距离)，因为它属于空间变量而非环境因子变量。同样使用coldiss()函数可视化距离矩阵。
注意：可以利用scale()函数对环境变量进行快速标准化
相异矩阵的热图很合适快速比较，例如，可以同时绘制基于物种多度和基于环境因子的Hellinger距离图，为了便于比较，两个图均选择等数量的分级
欧氏距离理所应当然可以用于计算基于地理坐标变量的地理距离矩阵。
地理坐标可以是一维或者二维的直角坐标系(笛卡儿坐标)，其单位也可以多种多样(例如cm、m、km属于相同投影带的UTM坐标)。如果是球体系统坐标(经纬度)，在计算欧氏距离之前必须先转化。SoDA程序包内geoXY()函数可以完成球坐标系统的专业。需要注意的是，标准化数据会改变两个维度的比率，因此一般地理坐标(x-y)不应该标准化(如果需要可以标准化)
对于二元数据，最简单的对称相似测度是"简单匹配系数S1"，对于每组样方，S1是 双1的数量加上双0的数量除以变量数 。
Gower相似系数当作一种对称指数；当数据框内一个变量被当做一个因子时，最简单的匹配规则被应用，即如果一个因子在两个对象中有相同的水平，表示该对象对相似指数为1，反之为0。Gower相异指数可以利用cluster程序包内daisy()函数计算。应避免使用vegdist()函数计算Gower相异系数，因此该函数只适用与定量数据和有-无数据计算，对多级变量并不适用。
只要每个变量给予合适的定义，daisy()函数就可以处理混合变量的数据。当数据中存在缺失值时，该函数会自动排除与含有缺失值样方对的计算。
FD程序包里gowdis()函数是计算Gower相似系数最完善的函数，可以计算混合变量(包括非对称的二元变量)的距离，也可以像daisy()函数一样设置变量的权重和处理缺失值。
