常常遇到有人問起看到分享的教程導入數據的方式是data(dune)等直接調用系統(tǒng)的數據，而自己怎么讀入自己的數據呢？

對于初學者來講，這確實是個問題。如何準備數據、拿到正確格式的數據并導入后續(xù)的代碼進行分析，是學習和應用過程中的第一個攔路虎。

為什么教程會習慣使用內置數據？

如果要使用內置數據，也需要額外提供一些信息：

那假如教程沒有提供這么詳細，自己又得用這個教程，怎么做呢？

自己如何根據教程的數據準備并讀入自己的數據

1. 查看數據的結構，了解數據的構成

既然教程提供了測試數據集，不妨仔細看看測試數據集的特征，沒準就找著規(guī)律了。

我們以前面文章提到的dune數據集為例，查看下其結構特征。

行名字是數字，列名字是字符串（如果我們對這些字符串不熟悉，對我們來說就沒任何意義；每個字符都認識，串一起就不知道是啥了~~），中間的值是整數。除此外也看不出其它信息了。

library(vegan)data(dune)head(dune)## Achimill Agrostol Airaprae Alopgeni Anthodor Bellpere Bromhord Chenalbu Cirsarve Comapalu Eleopalu Elymrepe Empenigr## 1 1 0 0 0 0 0 0 0 0 0 0 4 0## 2 3 0 0 2 0 3 4 0 0 0 0 4 0## 3 0 4 0 7 0 2 0 0 0 0 0 4 0## 4 0 8 0 2 0 2 3 0 2 0 0 4 0## 5 2 0 0 0 4 2 2 0 0 0 0 4 0## 6 2 0 0 0 3 0 0 0 0 0 0 0 0## Hyporadi Juncarti Juncbufo Lolipere Planlanc Poaprat Poatriv Ranuflam Rumeacet Sagiproc Salirepe Scorautu Trifprat Trifrepe## 1 0 0 0 7 0 4 2 0 0 0 0 0 0 0## 2 0 0 0 5 0 4 7 0 0 0 0 5 0 5## 3 0 0 0 6 0 5 6 0 0 0 0 2 0 2## 4 0 0 0 5 0 4 5 0 0 5 0 2 0 1## 5 0 0 0 2 5 2 6 0 5 0 0 3 2 2## 6 0 0 0 6 5 3 4 0 6 0 0 3 5 5## Vicilath Bracruta Callcusp## 1 0 0 0## 2 0 0 0## 3 0 2 0## 4 0 2 0## 5 0 2 0## 6 0 6 0

2. 查看數據的幫助

從數據結構和行列名字上得不到有用信息，那我們查看下幫助信息。

?dune

dune is a data frame of observations of 30 species at 20 sites. Thespecies names are abbreviated to 4+4 letters (see make.cepnames).

這告訴我們什么呢？這套數據包含了30個物種在20個樣品的豐度信息。從dim(dune)可以看出這是一個20行X30列的矩陣；可以推測出，每一行是一個樣品，每一列是一個物種（另一個佐證是列名字長度確實為8個字符，與物種名字的4+4縮寫一致）。

注：如果對數據還有疑慮，建議谷歌下數據。常見內置數據集都會有文章描述其信息，可用于佐證你的判斷。

dim(dune)## [1] 20 30

這個格式跟我們通常的OTU豐度表(我們的表通常是每一行是一個物種，每一列是一個樣品)略有不同。

3. 基本判斷后，讀入我們的數據，做可能的轉換

如果我們有一個OTU豐度表，怎么讀入并轉成這個格式呢？

text <- "IDSamp1Samp2Samp3Samp4OTU12131415OTU21213810OTU322101411"otu_table <- read.table(text=text, sep="", row.names=1, header=T)

讀入OTU豐度表，第一行為列名字，第一列為行名字。

otu_table <- read.table("otutable_rare",sep="", row.names=1, header=T)

根據上面的分析做一個轉置，就可以獲得可用于后續(xù)分析的輸入數據了。

otu_table_t <- as.data.frame(t(otu_table))otu_table_t## OTU1 OTU2 OTU3## Samp1 2 12 22## Samp2 13 13 10## Samp3 14 8 14## Samp4 15 10 11

4. 示例數據中的整數代表什么意思？

這個是比較難確定的部分，只有兩個判斷方法：1)教程中作者能夠提及（這是最準確的方法）；2）憑經驗猜測。

這里涉及到另外一個經常會被問起的問題：

我這一步操作需要提供原始數據，還是標準化之后的數據？

絕大多數情況下，我們需要提供的都是標準化之后的在不同樣品之間可比的數據。因為：1）我們的需求是比較不同樣品的差異，數據需要在樣品間可比；2）絕大部分工具是不會對數據做標準化處理的，要么直接用，要么做一些不影響數值關系的轉換；3）如果某個工具自己內部會對數據做標準化，它一定會在幫助中提及，常見的比如DESeq2, edgeR、limma，除了這兩個半(limma算半個，因為它也可以接收標準化后的數據)，一時想不起還有哪些工具是接受原始數據的。單細胞的Seurat包算是個例外，它內部調用了一些標準化算法，可以通過參數關掉。

5. 查看更多教程，總會遇到有詳細描述所需數據結構的教程。

6. 跟著感覺走，不管三七二十一讀進來試試，出現異?；驁箦e再調整。學程序不是做實驗，試錯成本沒有那么大，光看不練是假把式，大膽試才是王道。

7. 最后一步，跟教程作者溝通。我們的教程問題，歡迎在http://www.ehbio.com/Esx發(fā)帖討論；自己努力后，帶著問題和思路的討論更容易獲得解答。