Question

我的数据如下所示：

df <- structure(list(V1 = structure(c(7L, 4L, 8L, 8L, 5L, 3L, 1L, 1L, 
2L, 1L, 6L), .Label = c("", "cell and biogenesis;transport", 
"differentiation;metabolic process;regulation;stimulus", "MAPK cascade;cell and biogenesis", 
"MAPK cascade;cell and biogenesis;transport", "metabolic process;regulation;stimulus;transport", 
"mRNA;stimulus;transport", "targeting"), class = "factor")), .Names = "V1", class = "data.frame", row.names = c(NA, 
-11L))

我想计算有多少相似的字符串，但也有一个来自哪一行的轨道。每个字符串由;分隔，但它们属于它们所在的行。

我希望输出如下：

String                           Count        position 
mRNA                                 1        1
stimulus                             3        1,6,11
transport                            4        1,5,9,11
MAPK cascade                         2        2,5
cell and biogenesis                  3        2,5,9
targeting                            2        3,4
regulation of mRNA stability         1        1
regulation                           2        6,11
differentiation                      1        6,11
metabolic process                    2        6,11

计数显示每个字符串（字符串由分号分隔）在整个数据中重复多少次。第二列显示它们的位置，例如mRNA仅在第一行中，因此它是1.刺激是在第3行，第6行和第11行

有些行是空白的，它们也算作行。

Answer 1

在下面的代码中，我们执行以下操作：

将行号添加为列。
使用strplit将每个字符串拆分为其组件，并将结果存储在名为string的列中。
strsplit返回一个列表。我们使用unnest来堆叠列表组件以创建一个＆＃34; long＆＃34;数据框，给我们一个整洁的＆＃34;准备汇总的数据框。
按string分组并返回一个新数据框，该数据框计算每个字符串的频率，并给出原始行号，其中每个字符串实例最初出现。

library(tidyverse)

df$V1 = as.character(df$V1)

df %>% 
  rownames_to_column() %>% 
  mutate(string = strsplit(V1, ";")) %>% 
  unnest %>%
  group_by(string) %>%
  summarise(count = n(),
            rows = paste(rowname, collapse=","))

               string count     rows
1 cell and biogenesis     3    2,5,9
2     differentiation     1        6
3        MAPK cascade     2      2,5
4   metabolic process     2     6,11
5                mRNA     1        1
6          regulation     2     6,11
7            stimulus     3   1,6,11
8           targeting     2      3,4
9           transport     4 1,5,9,11

如果您计划对行号进行进一步处理，您可能希望将它们保留为数值，而不是作为粘贴值的字符串。在这种情况下，你可以这样做：

df.new = df %>% 
  rownames_to_column("rows") %>% 
  mutate(string = strsplit(V1, ";")) %>% 
  select(-V1) %>%
  unnest

这将为您提供一个长数据框，每个string和rows的组合都有一行。

Answer 2

基础R方法：

# convert 'V1' to a character vector (only necessary of it isn't already)
df$V1 <- as.character(df$V1)

# get the unique strings
strng <- unique(unlist(strsplit(df$V1,';')))

# create a list with the rows for each unique string
lst <- lapply(strng, function(x) grep(x, df$V1, fixed = TRUE))

# get the counts for each string
count <- lengths(lst)

# collpase the list string positions into a string with the rownumbers for each string
pos <- sapply(lst, toString)

# put everything together in one dataframe
d <- data.frame(strng, count, pos)

您可以将此方法缩短为：

d <- data.frame(strng = unique(unlist(strsplit(df$V1,';'))))
lst <- lapply(d$strng, function(x) grep(x, df$V1, fixed = TRUE))
transform(d, count = lengths(lst), pos = sapply(lst, toString))

结果：

> d
                strng count         pos
1                mRNA     1           1
2            stimulus     3    1, 6, 11
3           transport     4 1, 5, 9, 11
4        MAPK cascade     2        2, 5
5 cell and biogenesis     3     2, 5, 9
6           targeting     2        3, 4
7     differentiation     1           6
8   metabolic process     2       6, 11
9          regulation     2       6, 11

Answer 3

可能的data.table完整性解决方案

library(data.table)
setDT(df)[, .(.I, unlist(tstrsplit(V1, ";", fixed = TRUE)))
          ][!is.na(V2), .(count = .N, pos = toString(sort(I))), 
            by = .(String = V2)]
#                 String count         pos
# 1:                mRNA     1           1
# 2:        MAPK cascade     2        2, 5
# 3:           targeting     2        3, 4
# 4:     differentiation     1           6
# 5: cell and biogenesis     3     2, 5, 9
# 6:   metabolic process     2       6, 11
# 7:            stimulus     3    1, 6, 11
# 8:           transport     4 1, 5, 9, 11
# 9:          regulation     2       6, 11

这基本上将V1列拆分为;，同时转换为长格式，同时将其与行索引（.I）绑定。之后，它只是一个关于行计数（.N）的简单聚合，并且每个String将绑定位置合并为一个字符串。

如何计算以分号分隔的字符串

3 个答案: