Início / coding / Perguntas / 79030031
Accepted
user1675107
Asked: 2024-09-27 14:06:11 +0800 CST

Existe uma função R para parear elementos de duas colunas de um data.frame para criar um novo data.frame

  • 772

Tenho vários milhares de linhas como esta armazenadas em um objeto em R. Quero criar um novo df2 pareando elementos de duas colunas ($exonStarts e $exonEnds) do df abaixo

df <- structure(list(bin = c(0L, 0L, 0L, 0L, 0L, 0L), name = c("XM_011541469.2", 
"XM_017001276.2", "XM_011541467.2", "NM_001276352.2", "NM_001276351.2", 
"XM_011541465.3"), chr = c("chr1", "chr1", "chr1", "chr1", "chr1", 
"chr1"), strand = c("-", "-", "-", "-", "-", "-"), txStart = c(67092164L, 
67092164L, 67092164L, 67092164L, 67092164L, 67092164L), txEnd = c(67109072L, 
67131227L, 67131227L, 67134970L, 67134970L, 67134970L), cdsStart = c(67093004L, 
67093004L, 67093004L, 67093579L, 67093004L, 67093004L), cdsEnd = c(67103382L, 
67127240L, 67127240L, 67127240L, 67127240L, 67127240L), exonCount = c(5L, 
9L, 9L, 9L, 8L, 9L), exonStarts = c("67092164,67095234,67096251,67103237,67109028,", 
"67092164,67095234,67096251,67103237,67111576,67115351,67125751,67127165,67131141,", 
"67092164,67095234,67096251,67103237,67111576,67115351,67125751,67127165,67131141,", 
"67092164,67096251,67103237,67111576,67115351,67125751,67127165,67131141,67134929,", 
"67092164,67095234,67096251,67115351,67125751,67127165,67131141,67134929,", 
"67092164,67095234,67096251,67103237,67111576,67115351,67125751,67127165,67134929,"
), exonEnds = c("67093604,67095421,67096321,67103382,67109072,", 
"67093604,67095421,67096321,67103382,67111644,67115464,67125909,67127257,67131227,", 
"67093604,67095421,67096321,67103343,67111644,67115464,67125909,67127257,67131227,", 
"67093604,67096321,67103382,67111644,67115464,67125909,67127257,67131227,67134970,", 
"67093604,67095421,67096321,67115464,67125909,67127257,67131227,67134970,", 
"67093604,67095421,67096321,67103382,67111644,67115464,67125909,67127257,67134970,"
), score = c(0L, 0L, 0L, 0L, 0L, 0L), gene = c("C1orf141", "C1orf141", 
"C1orf141", "C1orf141", "C1orf141", "C1orf141"), cdsStartStat = c("cmpl", 
"cmpl", "cmpl", "cmpl", "cmpl", "cmpl"), cdsEndStat = c("cmpl", 
"cmpl", "cmpl", "cmpl", "cmpl", "cmpl"), exonFrames = c("0,2,1,0,-1,", 
"0,2,1,0,1,2,0,0,-1,", "0,2,1,0,1,2,0,0,-1,", "2,1,0,1,2,0,0,-1,-1,", 
"0,2,1,2,0,0,-1,-1,", "0,2,1,0,1,2,0,0,-1,")), row.names = c(NA, 
6L), class = "data.frame")

para produzir uma saída como abaixo. A primeira linha da entrada df deve produzir 5 linhas de df2 no ​​formato abaixo, pareando cada elemento de $exonStart com cada elemento de $exonEnd (as contagens de elementos serão idênticas e estão presentes na coluna $exonCount).

$chr    $exonStart  $exonEnd
chr1    67092164    67093604
chr1    67095234    67095421
chr1    67096251    67096321
chr1    67103237    67103382
chr1    67109028    67109072

Isso precisa iterar sobre todas as linhas de entrada df e todos os resultados combinados em df2. Então, no total, haveria sum(object$exonCount)linhas em df2.

Eu sei que haveria algum tipo de strsplitfunção aqui para dividir $exonStarts e $exonEnds e então combiná-los. Talvez uma applyfunção para fazer isso em todas as linhas? Eu tentei algo assim primeiro

map2(unlist(strsplit(df$exonStarts[1], ",")), unlist(strsplit(dft$exonEnds[1], ",")), c)

para produzir uma lista de elementos pareados

[[1]]
[1] "67092164" "67093604"

[[2]]
[1] "67095234" "67095421"

[[3]]
[1] "67096251" "67096321"

[[4]]
[1] "67103237" "67103382"

[[5]]
[1] "67109028" "67109072"

Mas não sei para onde ir a partir daqui. Qualquer ajuda seria apreciada.

2 respostas

  1. Best Answer

    Você pode usar separate_longer_delimdetidyr

    library(tidyr)
library(dplyr)

select(df, chr, exonStarts, exonEnds) %>%
  separate_longer_delim(c(exonStarts, exonEnds), delim=",")

    O que dá (mostrando apenas as 10 primeiras linhas):

        chr exonStarts exonEnds
1  chr1   67092164 67093604
2  chr1   67095234 67095421
3  chr1   67096251 67096321
4  chr1   67103237 67103382
5  chr1   67109028 67109072
6  chr1                    
7  chr1   67092164 67093604
8  chr1   67095234 67095421
9  chr1   67096251 67096321
10 chr1   67103237 67103382

    As linhas em branco são devidas às vírgulas finais nas colunas originais, que podem ser facilmente removidas usando filter. Se você fizer isso, verá que há 49 linhas restantes, o mesmo que sum(df$exonCount).

    Como @TarJae menciona, o número de itens em cada coluna deve ser igual, ou um erro resultará. Presumivelmente, você está confiante de que essa situação não é possível.

    df$exonEnds[1] <- "67093604,67095421,67096321,67103382,"

select(df, chr, exonStarts, exonEnds) %>%
  separate_longer_delim(c(exonStarts, exonEnds), delim=",")

#Error in `separate_longer_delim()`:
#! In row 1, can't recycle input of size 6 to size 5.
#Run `rlang::last_trace()` to see where the error occurred.

    Você também receberá um erro ao usar sua strsplitabordagem.

    • 2

  2. Na base R, podemos fazer

    f = \(chr, split, ...) {
  stopifnot(is.character(chr))
  l = strsplit(chr, split, ...)
  # caution, this pads NA's to the end, if shorter than max.
  l = lapply(l, `length<-`, max(lengths(l))) 
  unlist(l, recursive = FALSE, use.names = FALSE)
}

    (Para outras aplicações precisamos modificar a última linha de f().)

    Aplicativo:

    > lapply(df[c("exonStarts", "exonEnds")], f, split = ",") |> 
+   list2DF() |>
+   head()
  exonStarts exonEnds
1   67092164 67093604
2   67095234 67095421
3   67096251 67096321
4   67103237 67103382
5   67109028 67109072
6       <NA>     <NA>

    Cuidado. Essa abordagem tem as desvantagens de preencher NAs até o final de uma linha"," dividida em - ou respectivamente se ela não tiver o comprimento máximo. Em outras palavras, ela fundamenta a forte suposição de que dados ausentes, se presentes, estão nas extremidades de cada linha . Contanto que você não carregue dados contendo tais informações, essa abordagem pode ser apropriada.exonStartsexonEnds

    Compactar:

    f = \(chr, split, ...) unlist(lapply(l <- strsplit(chr, split, ...), `length<-`, max(lengths(l))))
list2DF(lapply(df[c("exonStarts", "exonEnds")], f, split = ","))
    • 2

relate perguntas