写在前面：
在前面两篇文章R语言入门系列之一与R语言入门系列之二中，我分别介绍了R语言中的对象与结构、数据的输入输出及可视化。基于前面的基础，今天我介绍一下R语言中基础的程序结构，来帮助我们完成更复杂的数据处理任务。此外，如果你有大批量数据处理、可视化任务，需要着重学习R脚本在命令行的调用方式以及命令行参数的使用方法。
写好的R语言程序一般保存为R脚本，这样在以后完成相似数据处理任务时可以方便地直接调用。在linux系统命令行，我们可以使用“Rscript”命令来调用运行写好的程序，并添加一些必须的命令行参数；在Windows系统的Rstudio中，可以使用source()函数来调用写好的R脚本。
1重复循环
R中的循环主要有for和while结构。for循环重复执行一个语句，直到value值不再包含在向量vector中为止，for结构的基本语法如下所示：
代码语言：javascript复制for (value in vector) {
statements
}例如我们想要将群落数据小数值转换成百分值，如下所示：
代码语言：javascript复制data=read.table("phylum.txt", header=TRUE)
rownames(data)=data[, 1]
data=data[, -1]
for (i in 1:nrow(data)) {
for (j in 1:ncol(data)) {
data[i, j]=data[i, j]*100
}
}while结构重复执行一个语句，直到条件语句不为TRUE为止，while结构基本语法如下：
代码语言：javascript复制while (condition) {
statements
}例如上面for的程序可以改写为：
代码语言：javascript复制i=1
while (i <= nrow(data)) {
j=1
while (j <= ncol(data)) {
data[i, j]=data[i, j]*100
j=j 1
}
i=i 1
}虽然while可以执行循环，但是本质上是一个不断判断过程，i=i 1实现了程序的连续运行，与for还是有很大区别，因此判断条件必须要完善。
2条件执行
在条件执行也即选择结构中，语句只有在满足一定条件时才会执行，主要有if-else、ifelse、switch三种。if结构基本语法如下所示：
代码语言：javascript复制if(condition) {
statements
}
#或者
if(condition) {
statement1
} else {
statement2
}ifelse结构是if-else结构的紧凑版本，如下所示：
代码语言：javascript复制ifelse(condition, statement1, statement2)举例如下：
代码语言：javascript复制a=5
ifelse (a>=3, a<-TRUE, a<-FALSE)注意，这时候在括号内部必须使用赋值符号！
switch根据一个表达式的值选择语句执行，如下所示：
代码语言：javascript复制switch(expression, case1, case2, case3....)举例如下：
代码语言：javascript复制feelings=c("sad", "afraid")
for (i in feelings) {
print(
switch(i,
happy="I'm glad you are happy",
afraid="There's nothing to fear",
sad="Cheer up",
angry="Calm down now")
)
}repeat-if-break函数是常用的一个循环判断符合结构，基本语法如下所示：
代码语言：javascript复制repeat {
commands
if(condition){
break
}
}repeat会重复执行一个命令直到if判断条件符合然后使用break终止，举例如下：
代码语言：javascript复制a=c("Hello", "loop")
i=1
repeat{
print(a)
i=i 1
if(i==5){
break
}
}3高级函数
aggregate()函数
对于向量和矩阵，我们可以方便的使用循环等来进行统计计算，然而对含有因子的数据框，aggregate()函数就会大显威力，其使用语法如下：
代码语言：javascript复制aggregate(object, by, FUN, formula...)其中by是制定进行统计的类别列表，一般为因子变量，FUN为统计函数，可以随意选择。下面我们以R内置数据mtcars为例展示其使用方法：
代码语言：javascript复制attach(mtcars)
aggregate(mpg, by=list(cyl), FUN=mean) #根据cyl进行分组计算mpg均值结果如下所示：
其结果以数据框的形式储存。
apply函数家族
apply函数家族主要成员如下：
代码语言：javascript复制apply 对数组行或者列使用函数 apply(X, MARGIN, FUN, ...)
lapply 对列表或者向量使用函数 lapply(X, FUN, ...)
sapply 对列表或者向量使用函数 sapply(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE)
vapply 对列表或者向量使用函数 vapply(X, FUN, FUN.VALUE, ..., USE.NAMES = TRUE)
tapply 对不规则矩阵使用函数 tapply(X, INDEX, FUN = NULL, ..., simplify = TRUE)
eapply 对环境中的值使用函数 eapply(env, FUN, ..., all.names = FALSE, USE.NAMES = TRUE)
mapply 对多个列表或者向量参数使用函数 mapply(FUN, ..., MoreArgs = NULL, SIMPLIFY = TRUE, USE.NAMES = TRUE)
rapply 运用函数递归产生列表 rapply(object, f, classes = "ANY", deflt = NULL,how = c("unlist", "replace", "list"), ...)apply()通过对数组或者矩阵的一个维度使用函数生成值得列表或者数组、向量：
代码语言：javascript复制apply(X, MARGIN, FUN, ...)其中X数组，包括矩阵，MARGIN：1表示矩阵行，2表示矩阵列，也可以是c(1,2)，举例如下：
最终以向量或矩阵返回结果。
lapply()通过对x的每一个元素运用函数，生成一个与元素个数相同的值列表：
代码语言：javascript复制lapply(X, FUN, ...)X表示一个列表对象，其余对象将被通过as.list强制转换为list，举例如下：
sapply()是lapply函数的包装版。sapply(x, f, simplify=FALSE, USE.NAMES=FALSE)返回的值与lapply(x, f)是一致的：
代码语言：javascript复制sapply(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE)X表示一个向量或者列表对象，其余对象将被通过as.list强制转换为list，simplify为逻辑值或者字符串，指明结果是否应该被简化为向量、矩阵或者高维数组，默认值TRUE。如果simplify="array"，结果将返回一个数组。举例如下：
4自定义函数
用户可以根据需求自定义函数，R函数是通过使用关键字function来创建。R函数的定义基本语法如下：
代码语言：javascript复制function_name=function(arg_1, arg_2, ...) {
Function body
return(object)
}
# function_name：这是函数的实际名称。它被存入R环境作为一个对象使用此名称。
# arg：参数是一个占位符。当调用一个函数，传递一个值到参数。参数是可选的，也就是说，一个函数可以含有任何参数。此外参数可以有默认值。
# Function body：函数体包含定义函数是使用来做什么的语句集合。
# return：一个函数的返回值是在函数体中评估计算最后一个表达式的值。下面我们自己编写一个计算OTU平均相对丰度并排序、筛选高丰度OTU的函数，如下所示：
代码语言：javascript复制otu_select=function(otu, number=nrow(otu), abund=0, mean=TRUE) {
csum=numeric(ncol(otu))
for (i in 1:ncol(otu)) {
csum[i]= sum(otu[, i])
}
for (i in 1:nrow(otu)) {
for (j in 1:ncol(otu)) {
otu[i, j]=otu[i, j]/csum[j]
}
}
ave_abund=numeric(nrow(otu))
for (i in 1:nrow(otu)) {
ave_abund[i]=mean(otu[i, ])
}
newotu=cbind(otu, ave_abund)
newotu=newotu[order(newotu[, ncol(newotu)], decreasing=TRUE),]
newotu=newotu[1:number, ]
newotu=newotu[newotu[, ncol(newotu)]>=abund,]
ifelse (mean==TRUE, abundotu<-newotu, abundotu<-newotu[, -ncol(newotu)])
return(abundotu)
}上面自定义函数中提供了两种方法筛选高丰度OTU，一个是根据丰度数值进行筛选，另一种是根据OTU数目，返回结果可以包含均值也可以不包含。我们可以直接在R中运行上面程序然后使用这个函数，也可以保存为R脚本然后使用source()函数调用。例如将上面自定义函数保存为otu_select.R并放到当前R工作路径，调用方法如下所示：
代码语言：javascript复制source("otu_select.R")
data=read.table("sample.subsample.otu_table.txt", header=TRUE)
rownames(data)=data[, 1]
data=as.matrix(data[, -1])
newdata=otu_select(data, abund=0.01, mean=FALSE)运行结果如下所示：
5命令行参数
当在Linux系统命令行运行R脚本时，可以使用commandArgs()设置命令行参数来增强脚本的适用性，我们可以通过下面脚本来查看R语言命令行参数设置规则：
代码语言：javascript复制Args <- commandArgs()
cat("Args[1]=", Args[1],"n")
cat("Args[2]=", Args[1],"n")
cat("Args[3]=", Args[3],"n")
cat("Args[4]=", Args[4],"n")
cat("Args[5]=", Args[5],"n")
cat("Args[6]=", Args[6],"n")
cat("Args[7]=", Args[7],"n")将上述程序保存为Args.R，在Linux系统命令行运行结果如下所示：
可以发现，前五个为R内置参数，用户输入参数从第6个开始，R脚本中的命令行参数的使用示例如下所示：
如果想忽略R内置参数，则可以如下设置：
代码语言：javascript复制Args <- commandArgs(TRUE)这样，Args[1]即为用户输入的第一个位置参数。
