如何在Windows下安装R语言编程环境

首先你应该在官网找到相应的R安装包，我们选择的是Windows的，下载页面如下：

2

下载成功之后双击选择安装，对于我们来说我们选择的是简体中文，如下图

3

点击确定之后进入下一个页面（此处你可以看到自己安装的版本号），如下图：

4

上面点击下一步之后进入下一个页面，如下图（如果你能看懂，你可以看一下，了解嘛，总有好处）

5

继续点击下一步，进入如下图界面，此处我们可以选择安装的地址

6

上面安装地址选择好之后，继续下一步，进入以下页面，在此页面我们可以选择32位版本和64位版本，如果电脑是32位的，最好把64位的去掉，如果64位的电脑，我们可以全部选择。

7

点击下一步，我们可以在以下页面选择默认选项

8

点击下一步之后我们可以选择R程序保存的位置，并且选择是否创建开始菜单文件夹，如下图

9

选择成功之后点击下一步

10

选择你喜欢的、习惯的快捷方式，点击下一步，它就自动安装了，如下图

11

安装完成之后如下图，点击结束，即可使用R

12

最后我们就可以看到桌面快捷方式启动

13

启动成功之后则可以使用R，如下图

环境设置函数为options()，用options()命令可以设置一些环境变量，使用help(options)可以查看详细的参数信息。

查看默认参数的默认设置 getOption()

查看所有默认参数的设置

默认参数的更改

拼图之前，先要根据自己的张数，设置好画布大小，这很重要。一般一张方形的图会设置为width和height都等于5，如果两张横着拼在一起，就会设画布为105；如果拼6张图，一行三张，则设为1510，以此类推。当然画图的时候也可以自己尝试，根据实际情况调整。
reprplotheight 和 reprplotwidth 设置了整张图的大小

参考： >你好，看你的报错信息，很明显是无法连接到mirrosustceducn的镜像地址；第一种情况：你的网络环境不太好；推荐在网速良好的情况下再试一下；第二种来说：这个中国科技大的镜像抽风了，那就把R包镜像地址给换一下；再试一下，应该就可以解决了。

一准备安装所需要的软件：
1VMware虚拟机的下载和安装在我的博客中已经提到，这里就不再详细阐述。
2下载一个redhat，因为redhat已经商业化了，推荐大家使用centos，如果自己有合适的linux安装版本，可以不使用这个。
二在VMware虚拟机为RedHat Linux创建新的虚拟机 ：
1打开虚拟机，选择新建虚拟机：
2选择自定义（这里选择典型可能会在安装过程中出现一个硬件找不到的错误，所以推荐选择自定义），然后点下一步：
3 作系统选择linux，版本不用修改：
4命名，并选择虚拟 *** 作系统的存放位置（位置所在硬盘空间最好大于5G）：
5给虚拟机分配内存（这个自己看情况，我的电脑内存是512，给虚拟机分配了256）
6选择虚拟机网络类型（推荐使用桥接网络）
7选择磁盘类型，这里选择IDE（这也是第三步选择自定义的原因，因为选择典型的话，系统会自动选择SCSI硬盘，而有的linux，主要是早的linux版本，不能使用SCSI硬盘，所以才会出现没有发现硬盘的错误）
8指定磁盘容量（推荐大小为8g，基本够用了）
二、安装linux系统就很简单了，网上也有很多的教程。虚拟机和真实服务器基本么有什么差别。
三、linux下安装程序
1yum 安装 直接敲yum install 后面跟软件名称，linux系统会自动到yum源上寻找你所要安装的软件，以及它所需要的依赖关系的软件等
2rpm安装 也是直接敲rpm install后面跟软件名称，系统会到rpm源上寻找软件，但是可能会提示在安装它之前还需要安装其他的软件，yum会直接帮你安装，但是rpm不会，你需要自己安装
3源码包安装 相对于yum和rpm安装。源码包安装比较麻烦，但是它相当于软件的定制版，你可以设定安装目录及安装参数等等，比较自由。

我们输入的数据包含 gene ID 和 vector(单样本)部分，这里的 gene ID 是一个通用概念，可以是基因、转录本、酶或蛋白质。这里的 vector 可以是样本的表达量、倍数变化, p-value, 组蛋白修饰数据等可测量的属性。下面我们以一个 RNA-seq 差异分析后的数据为例，来学习 pathview 的用法。

在 KEGG PATHWAY Database 查询,例如查询小鼠的"Cell Cycle"这条通路:

得到通路 ID 为"04110",物种为"mmu"

我们通过指定 genedata 和 pathwayid 来观察我们数据里的基因在信号通路“Pathways in cancer”上的表达变化:

相比于原始的 KEGG 图，我们可以使用 graphviz 产生一个新的布局，并且输出 PDF 格式的文件:

以下是输出结果图

如果我们想要运行的更快一点，并且不介意输出的大小，我们可以分图层，用 samelayer = F 将节点颜色和标签添加到另一个图层中，并且原来的 KEGG 基因标签会变成官方的 gene symbols :

在此基础上，修改 keggnative = FALSE ，我们就可以得到一个主图与图例分成两个页面的 PDF 文件

在原始的 KEGG 视图中，一个基因节点可能代表具有相似或者冗余功能的基因/蛋白质，我们可以将这种包含多个基因的节点拆分成独立的节点，这样可以更好的从基因层面而不是节点层面来查看数据。同时也可以通过汇总基因数据来可视化节点数据:

为了画面有更好的清晰度和可读性，默认不分裂节点，也不单独标记每个成员基因。

代谢途径中，除了基因节点还有化合物节点，我们可以尝试利用代谢途径( Propanoate metabolism)整合基因数据和化合物数据。这里的化合物数据包括代谢物、药物，对它们的测量和它们的属性。在这里我们仍然使用之前 RNA-seq 差异分析的数据作为 gene data,然后，我们生成模拟化合物或代谢组数据，并加载适当的化合物 ID 类型以进行演示:

结果如下

pathview 可以集成并将多个样本或状态绘制成一个图，我们可以使用多个重复样本模拟化合物数据:

结果如下，可以看到基因节点和化合物节点被分成多份，对应不同的样本:

我们可以根据将化合物数据分为绝对值大于 5 和小于 5 两类，构成一组离散型数据:

结果如下:

Pathview 包中的主函数是 pathview() ，有着各种参数，是我们用到最多的函数。在这篇文章中，我们介绍了 pathview()的比较常见的用法,包括包安装，数据准备，以及其他有用的特性。我们也可以使用 pathxiew 的网页版，地址是 >