R中遗传数据集类识别及CpG标记相关性分析数据处理问询

你看到的class(data)输出为"matrix" "array"是R的正常现象：矩阵本身就是二维数组的特殊子类，该属性不影响数据使用，不需要因为类属性和数据框不同担心数据异常。

• 第一步：过滤无有效标记名的行
  原数据行名存在NA值，这些无法对应到具体CpG标记，需要先剔除：

# 保留行名非NA的行
clean_cpg_mat <- data[!is.na(rownames(data)), ]

此时得到的clean_cpg_mat是行名为有效CpG ID、列名为样本ID的数值矩阵，已经可以直接用于相关性计算。

• 第二步：缺失值处理（按需选择）
  如果你的数据存在较多NA值，可以选择两种处理方式：

  1. 计算相关性时动态处理：调用cor()函数时指定use参数即可，不需要提前剔除含NA的行/列，其中pairwise.complete.obs是遗传相关性分析常用的参数，会使用每两个CpG共有的非缺失样本计算相关性：

  # 转置矩阵后计算列（即原行的CpG）之间的相关性
  cpg_cor_mat <- cor(t(clean_cpg_mat), use = "pairwise.complete.obs")
  

  2. 提前过滤高缺失率的位点：如果需要先做质量控制，可以先计算每个CpG的缺失率，过滤缺失率高于阈值的位点：

  # 计算每个CpG的缺失率
  cpg_na_rate <- rowMeans(is.na(clean_cpg_mat))
  # 保留缺失率低于20%的CpG，阈值可根据研究需求调整
  filter_cpg_mat <- clean_cpg_mat[cpg_na_rate < 0.2, ]
  

• 第三步：转数据框（非必需，按需操作）
  如果你确实需要数据框格式做后续分析，直接用as.data.frame()转换即可，原有行名、列名、数值都会完全保留：

cpg_df <- as.data.frame(clean_cpg_mat)

计算CpG标记间相关性时必须注意矩阵维度：默认cor()函数计算的是列与列之间的相关性，你的数据行是CpG、列是样本，因此需要对矩阵转置后再计算，否则得到的是样本间的相关性，不符合分析需求。

内容的提问来源于stack exchange，提问作者Quamena