|
做单细胞数据分析的时候，我们经常会从公共数据库，或者从别人那里得到一个seurat对象，有些人可能想从这个seurat对象中提取原始的表达矩阵，自己再从头分析一遍。那么今天小编就讲讲怎么实现，我们以SeuratData这个包里面自带的pbmc3k这套数据为例。 我们先来安装相关的R包 #安装Seurat包，删掉下面一行#，然后运行#install.packages("Seurat")#加载Seurat包library(Seurat)#安装devtools包，删掉下面一行#，然后运行#install.packages("devtools")#安装SeuratData包，删掉下面一行#，然后运行#devtools::install_github('satijalab/seurat-data')#加载SeuratDatalibrary(SeuratData)#查看已经安装的单细胞数据集AvailableData()你会发现pbmc3k这套数据已经安装了，这是一套包含2700个细胞的pbmc样本单细胞测序数据 如果发现这套数据还没有安装，可以运行下面代码来安装。 #安装pbmc3k数据集，如果已经安装过，可以跳过InstallData("pbmc3k")#加载pbmc3k数据集pbmc <- LoadData("pbmc3k")pbmc下面就是pbmc这个seurat对象的一些详细信息，包含2700个细胞，13714个基因。 原始的单细胞表达矩阵保存在pbmc[["RNA"]]@counts中，每一行是一个基因，每一列是一个细胞，如果counts数是0，就用一个.来表示。 接下来我们就可以导出这个矩阵到文件中，我们来比较两种方法。 方法一、使用data.table包里的fwrite函数 这里用到了我们前面提到过的☞【R语言】data.table让你的读取速度提升百倍 #方法一、使用data.table包里的fwrite函数#install.packages("data.table")library(data.table)#利用system.time记录运行时间system.time({fwrite(x = as.data.frame(pbmc[["RNA"]]@counts), row.names=T,file = "counts.csv")})导出所用的时间如下 方法二、使用普通的write.csv函数 #方法二、使用普通的write.csv函数#利用system.time记录运行时间system.time({write.csv(file="counts2.csv",as.data.frame(pbmc[["RNA"]]@counts),quote = F)})导出所用的时间如下 通过比较我们可以发现，两种方法导出的矩阵文件是一样的，但是fwrite的速度要快不少。 参考资料： 为了方便大家交流学习，共同进步，我特地创建了微信交流群 |
|
|
