R 如何将对齐序列减少到起始和结束坐标？

我有一个标记坐标的数据表，在两个组（a和B）之间对齐。例如：

dt_long <- data.table(LABEL_A = c(rep("A", 20), rep("A", 15), rep ("A", 10), rep ("A", 15), rep ("A", 10)),
                  SEQ_A = c(11:30, 61:75, 76:85, 86:100, 110:119),
                  LABEL_B= c(rep("C", 20), rep("D", 15), rep("F", 10), rep("G",15), rep("D", 10)),
                  SEQ_B = c(1:20, 25:11, 16:25, 15:1, 1:5, 8:12))

---

一种简单的方法是按两个标签分组，并获得每组的

第一个

和

最后一个

，即

library(data.table)

dt_long[, .(Start_A = first(SEQ_A), End_A = last(SEQ_A), Start_B = first(SEQ_B), End_B = last(SEQ_B)), by = .(LABEL_A, LABEL_B)][]

#   LABEL_A LABEL_B Start_A End_A Start_B End_B
#1:       1       3      11    30       1    20
#2:       1       4      61    75      25    11
#3:       1       6      76    85      16    25
#4:       1       7      86   100      15     1

---

我们只需要子集和

dcast

。当有许多不同的列组时，也可以无缝工作

dcast(dt_long[, .SD[c(1, .N)], .(LABEL_A, LABEL_B)], 
  LABEL_A + LABEL_B ~ c("Start", "End")[rowid(LABEL_A, LABEL_B)], 
     value.var = c("SEQ_A", "SEQ_B"))
#    LABEL_A LABEL_B SEQ_A_End SEQ_A_Start SEQ_B_End SEQ_B_Start
#1:       1       3        30          11        20           1
#2:       1       4        75          61        11          25
#3:       1       6        85          76        25          16
#4:       1       7       100          86         1          15

---

您可以使用

rleid

并合并Frank的注释来删除分组列

dt_long[, .(
        LABEL_A=LABEL_A[1L], Start_A=SEQ_A[1L], End_A=SEQ_A[.N], 
        LABEL_B=LABEL_B[1L], Start_B=SEQ_B[1L], End_B=SEQ_B[.N]), 
    by=rleid(LABEL_A, LABEL_B,
        c(0L, cumsum(diff(SEQ_A) > 1L)), 
        c(0L, cumsum(diff(SEQ_B) > 1L)))][, (1) := NULL]

输出：

   LABEL_A Start_A End_A LABEL_B Start_B End_B
1:       A      11    30       C       1    20
2:       A      61    75       D      25    11
3:       A      76    85       F      16    25
4:       A      86   100       G      15     1
5:       A     110   114       D       1     5
6:       A     115   119       D       8    12

---

LABEL

列是否与长度有关No，LABEL列可区分不同组中的序列。遗憾的是，如果有多个序列具有相同的标签，则这不起作用。我现在已经更新了示例。您认为可以添加一个ID列来对对齐的序列进行分组吗？我得到以下错误：error in.subset2（x，I，exact=exact）：subscript out ofbounds@Powege. 这是你文章中ssame示例的错误，我无法重现。我使用了

data.table_1.12.2

version这是我使用当前示例数据集和data.table version 1.10.4得到的错误-3@Powege. 您是否可以更新数据。tablee VersionTanks，现在运行；但是，它确实产生了与更新示例中相同的dt_short。是否可以对其进行调整，以确保每个对齐序列的长度相同？是否可以进行调整，以便在其中一个序列不连续时，它们由单独的开始和结束坐标定义？我已经更新了示例数据集来演示这一点。谢谢。也解决了这个问题。这个格式正确吗？它似乎缺少逗号和方括号，并给出了一个错误。哦，一些复制粘贴问题更有效地删除带有DT[，（1）：=NULL]或我猜是什么的列。我认为，DT[，-1]创建了一个新表。

dt_long[, .(
        LABEL_A=LABEL_A[1L], Start_A=SEQ_A[1L], End_A=SEQ_A[.N], 
        LABEL_B=LABEL_B[1L], Start_B=SEQ_B[1L], End_B=SEQ_B[.N]), 
    by=rleid(LABEL_A, LABEL_B,
        c(0L, cumsum(diff(SEQ_A) > 1L)), 
        c(0L, cumsum(diff(SEQ_B) > 1L)))][, (1) := NULL]

   LABEL_A Start_A End_A LABEL_B Start_B End_B
1:       A      11    30       C       1    20
2:       A      61    75       D      25    11
3:       A      76    85       F      16    25
4:       A      86   100       G      15     1
5:       A     110   114       D       1     5
6:       A     115   119       D       8    12