read.table()函数是R最基本函数之一，主要用来读取矩形表格数据。

各参数的说明如下：

（1）file

file是一个带分隔符的ASCII文本文件。

（2）header

一个表示文件是否在第一行包含了变量的逻辑型变量。

如果header设置为TRUE，则要求第一行要比数据列的数量少一列。

（3）sep

分开数据的分隔符。默认sep=""。

read.table()函数可以将1个或多个空格、tab制表符、换行符或回车符作为分隔符。

（4）quote

用于对有特殊字符的字符串划定接线的字符串，默认值是TRUE(")或单引号。（`）

（5）dec

decimal用于指明数据文件中小数的小数点。

（6）numerals

字符串类型。用于指定文件中的数字转换为双精度数据时丢失精度的情况下如何进行转换。

（7） row.names

保存行名的向量。可以使用此参数以 向量的形式 给出每行的实际行名。或者要读取的表中 包含行名称的列序号 或 列名字符串 。

在数据文件中有行头且首行的字段名比数据列少一个的情况下，数据文件中第1列将被视为行名称。除此情况外，在没有给定row.names参数时，读取的行名将会自动编号。

可以使用row.names = NULL强制行进行编号。

（8） col.names

指定列名的向量。缺省情况下是又"V"加上列序构成，即V1,V2,V3......

Tip:

rownames、colnames是base包中的行名、列名函数；

而row.names、col.names是read.table函数中的行名、参数

（9）as.is

该参数用于确定read.table()函数读取字符型数据时是否转换为因子型变量。当其取值为FALSE时，该函数将把字符型数据转换为因子型数据，取值为TRUE时，仍将其保留为字符型数据。其取值可以是逻辑值向量（必要时可以循环赋值），数值型向量或字符型向量，以控制哪些列不被转换为因子。

注意：可以通过设置参数 colClasses = "character"来阻止所有列转换为因子，包括数值型的列。

（10）na.strings

可选的用于表示缺失值的字符向量。

na.strings=c("-9","?")把-9和？值在读取数据时候转换成NA

（11）colClasses

用于指定列所属类的字符串向量。

（12）nrows

整型数。用于指定从文件中读取的最大行数。负数或其它无效值将会被忽略。

（13）skip

整型数。读取数据时忽略的行数。

（14）check.names

逻辑值。该参数值设置为TRUE时，数据框中的变量名将会被检查，以确保符在语法上是有效的变量名称。

（15）fill

逻辑值。在没有忽略空白行的情况下（即blank.lines.skip=FLASE），且fill设置为TRUE时，如果数据文件中某行的数据少于其他行，则自动添加空白域。

（16）strip.white

逻辑值，默认为FALSE。此参数只在指定了sep参数时有效。当此参数设置为TRUE时，数据文件中没有包围的字符串域的前边和后边的空格将会被去掉。

（17）blank.lines.skip

逻辑值，此参数值设置为TRUE时，数据文件中的空白行将被忽略。默认值为TRUE。

（18）comment.char

字符型。包含单个字符或空字符的向量。代表注释字符的开始字符。可以使用""关闭注释。

（19）allowEscapes

逻辑值。类似“\n”这种C风格的转义符。如果这种转义符并不是包含在字符串中，该函数可能解释为字段分隔符。

（20）flush

逻辑值。默认值为FALSE。当该参数值设置为TRUE时，则该函数读取完指定列数后将转到下一行。这允许用户在最后一个字段后面添加注释。

（21） stringsAsFactors

逻辑值，标记处字符向量是否需要转化为因子，默认是TRUE。

（22）fileEncoding

字符串类型，指定文件的编码方式。如果指定了该参数，则文本数据按照指定的格式重新编码。

（23）encoding

假定输入字符串的编码方式。

（24）text

字符串类型。当未提供file参数时，则函数可以通过一个文本链接从text中读取数据。

（25）skipNul

逻辑值。是否忽略空值。默认为FALSE。

参考资料1： R语言中read.table()函数用法详解 - 翔宇亭IT乐园

1、r语言读取txt文件的方法：首先根据下图图片中的命令代码进行输入

2、然后这样就可以读取txt文件了，结果图如下：

3、R读取csv文件的方法：在读取csv文件时，分割符为“，”；可以根据下方的代码进行编辑。

read.csv(file, header = TRUE, sep = ",", quote = "\"",

      dec = ".", fill = TRUE, comment.char = "", ...)

4、如果想要读取Excel表格数据的话，可以使用下方的方法来实现。

xls2csv(xls, sheet=1, verbose=FALSE, blank.lines.skip=TRUE, ..., perl="perl")

xls2tab(xls, sheet=1, verbose=FALSE, blank.lines.skip=TRUE, ..., perl="perl")

xls2tsv(xls, sheet=1, verbose=FALSE, blank.lines.skip=TRUE, ..., perl="perl")

xls2sep(xls, sheet=1, verbose=FALSE, blank.lines.skip=TRUE, ...,

     method=c("csv","tsv","tab"), perl="perl")

install.packages("ggplot2")

install.packages("ggpubr")

install.packages("vegan")

计算Shannon-香农指数和Simpson-辛普森指数的命令在vegan包中，计算各组显著性的命令在ggpubr包中；画图使用ggplot命令，在行使每个命令之前一定要加载相应的包，如下:

library(ggplot2)

library(ggpubr)

library(vegan)

拿到一个otu表格，要先计算香农指数和辛普森指数，操作如下:

otu=read.table('D:/r-working/feature-table.taxonomy.txt',row.names = 1,skip=1,header=T,comment.char ='',sep='\t')

#读取out表格

#'D:/feature table.taxonomy.txt'为文件路径，注意斜线方向

#row.names = 1指定第一列为行名

#skip=1跳过第一行不读

#header=T指定第一个有效行为列名

#sep='\t'表示指定制表符为分隔符

#comment.char=''表示设置注释符号为空字符‘’，这样#后面的内容就不会被省略

otu=otu[,-ncol(otu)]

#去除表格的最后一列，无用信息

otu=t(otu)

#表格转置，必须将样品名作为行名

shannon=diversity(otu,"shannon")

#计算香农指数,先加载vegan包

shannon

#查看香农指数

simpson=diversity(otu,"simpson")

#计算辛普森指数,先加载vegan包

simpson

#查看辛普森指数

alpha=data.frame(shannon,simpson,check.names=T)

#合并两个指数

write.table(alpha,"D:/r-working/alpha-summary.xls",sep='\t',quote=F)

#存储数据，注意路径使用反斜杠

将各样本进行分组，并进行画图，操作如下:

map<-read.table('D:/r-working/mapping_file.txt',row.names = 1,header=T,comment.char ='',sep='\t',check.names=F)

#读取分组表格

group<-map["Group1"]

#提取需要的分组,'Group1'是表中的分组列名，包括A,B,C三组

alpha<-alpha[match(rownames(group),rownames(alpha)),]

#重排alpha的行的顺序,使其与group的样本id(行名)一致

data<-data.frame(group,alpha,check.rows=T)

#合并两个表格.'<-'与'='同属赋值的含义.

p=ggplot(data=data,aes(x=Group1,y=shannon))+geom_boxplot(fill=rainbow(7)[2])

#data = data指定数据表格

#x=Group1指定作为x轴的数据列名

#y=shannon指定作为y轴的数据列名

#geom_boxplot()表示画箱线图

#fill=rainbow(7)[2]指定填充色

此处用到ggplot2包画箱线图，将画图函数赋值给p后，可以用‘+’不断进行图层叠加，给图片p增加新的特性

p

#查看p

mycompare=list(c('A','B'),c('A','C'),c('B','C'))

#指定多重比较的分组对

mycompare

p<-p+stat_compare_means(comparisons=mycompare,label = "p.signif",method = 'wilcox')

#添加显著性标记的第一种方法，在此之前先加载ggpubr包

p<-p+ylim(2,5.5)

#调整图像的外观