如何格式化data.frame?
如何根据GeneID重新格式化data.frame df1。必须根据通用GeneID对表进行分组。我还想申请这个职位 df1=如何格式化data.frame?,r,bioinformatics,R,Bioinformatics,如何根据GeneID重新格式化data.frame df1。必须根据通用GeneID对表进行分组。我还想申请这个职位 df1= GeneID Common Organism Name Position 3 mouse 10090 Acadm Chr5:26082574-26089291(-) 3 human 9606 ACADM Chr5:15028950-15032998(-) 6 mouse
GeneID Common Organism Name Position
3 mouse 10090 Acadm Chr5:26082574-26089291(-)
3 human 9606 ACADM Chr5:15028950-15032998(-)
6 mouse 10090 Acat1 Chr5:25999022-26004798(-)
6 human 9606 ACAT1 Chr5:15471699-15477027(-)
7 human 9606 NLN Chr5:26257691-26264308(+)
8 mouse 10090 canct1 Chr5:14910122-14914899(-)
9 mouse 9606 Gm10220 Chr5:25936465-25943267(-)
9 mouse 9606 Gm10354 Chr5:25949797-25954344(-)
9 mouse 9606 Gm1979 Chr5:11594913-11599784(+)
9 human 10090 TRIL Chr7:28953358-28958413(-)
预期产量
Gene.ID M.Gene M.Chr M.start M.end H.Gene H.Chr H.start H.end
3 Acadm 5 26082574 26089291 ACADM 5 15028950 15032998
6 Acat1 5 25999022 26004798 ACAT1 5 15471699 15477027
7 NA NA NA NA NLN 5 26257691 26264308
8 canct1 5 14910122 14914899 NA NA NA NA
9 Gm10220 5 25936465 25943267 TRIL 7 28953358 28958413
9 Gm10354 5 25949797 25954344 TRIL 7 28953358 28958413
9 Gm1979 5 1159491 11599784 TRIL 7 28953358 28958413
9 Gm21149 5 11594913 11599784 TRIL 7 28953358 28958413
我们可以使用“data.table”的
devel
版本,即v1.9.5
。安装说明如下所示
我们将“data.frame”更改为“data.table”(setDT(df1)
)。使用tstrsplit
,我们将“位置”拆分为所有非数字字符([^0-9]+
),以创建新列(“Chr”、“start”、“end”)
devel版本中的dcast
可以采用多个value.var
列,并将“长”格式更改为“宽”格式。我们可以用数据集中的非NA值替换NA值
dcast(DT, GeneID+ind~substr(Common, 1, 1), value.var=names(DT)[c(4,6:8)])[,
lapply(.SD, function(x) x[!is.na(x)]) , GeneID, .SDcols=h_Name:m_end]
# GeneID h_Name m_Name h_Chr m_Chr h_start m_start h_end m_end
#1: 3 ACADM Acadm 5 5 15028950 26082574 15032998 26089291
#2: 6 ACAT1 Acat1 5 5 15471699 25999022 15477027 26004798
#3: 7 NLN NA 5 NA 26257691 NA 26264308 NA
#4: 8 NA canct1 NA 5 NA 14910122 NA 14914899
#5: 9 TRIL Gm10220 7 5 28953358 25936465 28958413 25943267
#6: 9 TRIL Gm10354 7 5 28953358 25949797 28958413 25954344
#7: 9 TRIL Gm1979 7 5 28953358 11594913 28958413 11599784
另一个选项使用
lappy
# using split method from akrun's answer
library(data.table)#v1.9.5+
DT <- setDT(df1)[, c('Chr', 'start', 'end') :=tstrsplit(Position, '[^0-9]+')[-1]]
out = setDF(Reduce(function(...) merge(..., by="GeneID", all = T),
lapply(split(DT, DT$Common),
function(x) subset(x, select = -c(Common, Position, Organism)))))
colnames(out) = gsub("x", "H", colnames(out))
colnames(out) = gsub("y", "M", colnames(out))
#> out
# GeneID Name.H Chr.H start.H end.H Name.M Chr.M start.M end.M
#1 3 ACADM 5 15028950 15032998 Acadm 5 26082574 26089291
#2 6 ACAT1 5 15471699 15477027 Acat1 5 25999022 26004798
#3 7 NLN 5 26257691 26264308 <NA> <NA> <NA> <NA>
#4 8 <NA> <NA> <NA> <NA> canct1 5 14910122 14914899
#5 9 TRIL 7 28953358 28958413 Gm10220 5 25936465 25943267
#6 9 TRIL 7 28953358 28958413 Gm10354 5 25949797 25954344
#7 9 TRIL 7 28953358 28958413 Gm1979 5 11594913 11599784
#使用akrun答案中的拆分方法
库(数据表)#v1.9.5+
DT输出
#GeneID Name.H Chr.H start.H end.H Name.M Chr.M start.M end.M
#1 3 ACADM 5 15028950 15032998 ACADM 5 26082574 26089291
#2 6 ACAT1 5 15471699 15477027 ACAT1 5 25999022 26004798
#3 7荷兰国家图书馆5 26257691 26264308
#4 8 canct1 5 14910122 14914899
#5 9特里尔7 28953358 28958413 Gm10220 5 25936465 25943267
#6 9 TRIL 7 28953358 28958413 Gm10354 5 25949797 25954344
#7 9特里尔7 28953358 28958413 Gm1979 5 11594913 11599784
M.start
和M.end
是Position
列的拆分版本,但是H.start
和H.end
呢。从哪里开始?我猜您在预期输出中的最后一行在输入中没有显示ndataset@SabDeM.. 新表是根据唯一的Gene.ID和Common.@akrun排列的。这个命令对我来说有点复杂。你能描述一下吗it@akrun喜欢在回答中使用tstrsplit
,并升级到devel
版本!(+1)@初学者,正如我在代码中解释的,第一组代码,使用tstrsplit
从单个列创建3列,在第二个代码块中,为分组变量创建序列列(ind),在第三个代码块中,我们使用dcast
将“长”格式转换为“宽”格式。在我们更改了“宽”格式后,一些列具有NA
值,因为它们没有对应于组的行组合。因此,我们将该列中的NA值更改为非NA值(lapply(.SD,function(x)x[!is.NA(x)])
如果您提到有困难的地方,我可以检查一下。@akrun.Thank you.tstrsplit函数对我来说是新的,非常有用。我不理解如何为人和鼠标分配colname(Chr_h,Chr_m,start_h,start_m..等等)@初学者这里的trsplit
输出是4列,其中第一列是空列,我通过tstrsplit(位置,[^0-9]+')[-1]
删除了它。新列是用列名c('Chr','start','end')
创建的。当我们执行dcast
,~substr(Common,1,1)
,使用substr
提取“Common”的第一个字符,并在此处给出\u m
或\u h
。
dcast(DT, GeneID+ind~substr(Common, 1, 1), value.var=names(DT)[c(4,6:8)])[,
lapply(.SD, function(x) x[!is.na(x)]) , GeneID, .SDcols=h_Name:m_end]
# GeneID h_Name m_Name h_Chr m_Chr h_start m_start h_end m_end
#1: 3 ACADM Acadm 5 5 15028950 26082574 15032998 26089291
#2: 6 ACAT1 Acat1 5 5 15471699 25999022 15477027 26004798
#3: 7 NLN NA 5 NA 26257691 NA 26264308 NA
#4: 8 NA canct1 NA 5 NA 14910122 NA 14914899
#5: 9 TRIL Gm10220 7 5 28953358 25936465 28958413 25943267
#6: 9 TRIL Gm10354 7 5 28953358 25949797 28958413 25954344
#7: 9 TRIL Gm1979 7 5 28953358 11594913 28958413 11599784
# using split method from akrun's answer
library(data.table)#v1.9.5+
DT <- setDT(df1)[, c('Chr', 'start', 'end') :=tstrsplit(Position, '[^0-9]+')[-1]]
out = setDF(Reduce(function(...) merge(..., by="GeneID", all = T),
lapply(split(DT, DT$Common),
function(x) subset(x, select = -c(Common, Position, Organism)))))
colnames(out) = gsub("x", "H", colnames(out))
colnames(out) = gsub("y", "M", colnames(out))
#> out
# GeneID Name.H Chr.H start.H end.H Name.M Chr.M start.M end.M
#1 3 ACADM 5 15028950 15032998 Acadm 5 26082574 26089291
#2 6 ACAT1 5 15471699 15477027 Acat1 5 25999022 26004798
#3 7 NLN 5 26257691 26264308 <NA> <NA> <NA> <NA>
#4 8 <NA> <NA> <NA> <NA> canct1 5 14910122 14914899
#5 9 TRIL 7 28953358 28958413 Gm10220 5 25936465 25943267
#6 9 TRIL 7 28953358 28958413 Gm10354 5 25949797 25954344
#7 9 TRIL 7 28953358 28958413 Gm1979 5 11594913 11599784