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SeuratData
library(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：
【R语言】data.table让你的读取速度提升百倍