R 通过更新信息合并两个长度不同的数据帧

考虑到以下数据帧：

 > tail(tot.final)
   names.id                  sequence names.reads width.reads names.counts st end flag
819   125546  TAGCTTATATGACTGATGTTGACA    125546-4          24            4  8  31 TRUE
820   218783  TCGCTTATCAGACTGATGTTGAAA    218783-2          24            2  8  31 TRUE
821   272992  CAGCTTATCAGACTGATGTTGAAA    272992-2          24            2  8  31 TRUE
822   135191 TAGCTTATCAGACTGATGTTGAACA    135191-4          25            4  8  32 TRUE
823   278047 TAGCTTATCAGACTGATGTTGAAGA    278047-2          25            2  8  32 TRUE
824   317980 TAGCTTATCAGACTGATGTTGCCCT    317980-2          25            2  8  32 TRUE

head(plusa)
  names.id            sequence names.reads width.reads names.counts st end flag
2     28092   ATCAGACTGATGTTGAC    28092-29          17           29 14  30 TRUE
4     65308  TTATCAGACTGATGTTGA    65308-10          18           10 12  29 TRUE
6     71226  TATCAGACTGATGTTGAC     71226-9          18            9 13  30 TRUE

> nrow(tot.final)
[1] 824
> nrow(plusa)
[1] 421

plusa contains 451 rows with a  common plusa$sequence column. (not sorted)

我想通过添加相应plusa$序列的plusa$names.counts值来更新tot.final$names.counts元素

---

考虑到“序列”字段作为id，是否有可能以这种方式合并它们？

据我所知，我认为这就是您想要做的：

加入（说rbind）

plusa

到

tot.final

对于此数据帧中的每个唯一序列： 汇总计数列

在这种情况下，您可以使用

plyr

库。我举了一个例子来说明，你应该能够使它适应你的：

library(plyr)
df.final <- data.frame(sequence=c('A','B','C','D'),
                       counts=c(100,123,234,200),
                       stringsAsFactors=F)
#   sequence counts
# 1        A    100
# 2        B    123
# 3        C    234
# 4        D    200

df.plusa <- data.frame(sequence=c('A','E','C','F'),
                       counts=c(10,20,30,40),
                       stringsAsFactors=F)
#   sequence counts
# 1        A     10
# 2        E     20
# 3        C     30
# 4        F     40

# rbind together and do the counts:
df.final.aggregated <- ddply(rbind(df.final,df.plusa),
                             .(sequence),
                             summarise,
                             counts=sum(counts))
#   sequence counts
# 1        A    110
# 2        B    123
# 3        C    264
# 4        D    200
# 5        E     20
# 6        F     40

对于您的特定数据，这可能会起作用（因为我没有您的数据，所以未进行测试）：

---

问题——对于

plusa

中的

names.id=4

和

sequence='TTATCAGACTGATGTGA'

，您应该将其添加到

tot.final

中的哪一行，因为它们似乎都具有相同的序列？您想从

plusa

存储新的

名称.id

、

st

、

end

、

width.reads

等值，还是只更新

名称.counts

计数？name.id不计数，它是与plusa中的序列id不对应的序列id；我只想储存新名字。对不起，我误读了一个序列。因此，如果您在

plusa

中有一行具有序列“TAGCTTATCAGACTGATGT”，您希望将其添加到

tot.final

中的哪一行（因为前4行都具有相同的序列）？或者您只是想要一个带有“序列”和“计数”的新数据帧，其中“TTATCAGACTGATGTTGA”的“计数”是1505+46+26+23+在

plusa

中匹配的任何值？好的，所以tot.final包含plusa中的421个序列..未排序，但它们都在那里…因此每当在plusa中找到对应的tot.final序列时，names.counts字段已更新抱歉，不，它包含不同的序列。我已经更新了我的问题和魔术发生了…它的工作非常好。显然，ddply做了多个子集做不到的事情，在我的情况下..干杯！

for each unique seq in dataframe$sequence:
    do FUNCTION( dataframe[ dataframe$sequence==seq, ] )
    merge them all back into one big dataframe.

ddply( rbind(tot.final,plusa), .(sequence), summarise,
       names.counts = sum(names.counts) )