在R

Question

由于我是R的新手，这个问题在你看来可能是个问题。 我有一个txt格式的数据。第一列具有簇号，第二列具有不同生物的名称。 例如：

1. 0 org4 | gene759
2. 1 org1 | gene992
3. 2 org1 | gene1101
4. 3 org4 | gene757
5. 4 org1 | gene1702
6. 5 org1 | gene989
7. 6 org1 | gene990
8. 7 org1 | gene1699
9. 9 org1 | gene1102
10. 10 org4 | gene2439
11. 10 org1 | gene1374

我需要按照以下格式重新安排/重塑数据。

簇号Org 1 Org 2 org3 org4

1. 0 0 0 1
2. 1 0 0 0

我无法弄清楚如何在R中做到这一点。 感谢

Answer 1

我们可以使用table

out <- cbind(ClusterNo = seq_len(nrow(df1)), as.data.frame.matrix(table(seq_len(nrow(df1)), 
       factor(sub("\\|.*", "", df1[[2]]), levels = paste0("org", 1:4)))))

head(out, 2)
#    ClusterNo org1 org2 org3 org4
#1         1    0    0    0    1
#2         2    1    0    0    0

我们也可能需要使用第一列来获取频率

out1 <- as.data.frame.matrix(table(df1[[1]], 
    factor(sub("\\|.*", "", df1[[2]]), levels = paste0("org", 1:4))))

Answer 2

将表格读入R可以用

完成

input <- read.table('filename.txt')

然后我们可以使用正则表达式从org4|gene759字符串中提取相关数字，并将其设置为输入的第三列：

input[, 3] <- gsub('^org(.+)\\|.*', '\\1', input[, 2])

我们的输入数据现在如下所示：

> input
   V1            V2 V3
1   0  org4|gene759  4
2   1  org1|gene992  1
3   2 org1|gene1101  1
4   3  org4|gene757  4
5   4 org1|gene1702  1
6   5  org1|gene989  1
7   6  org1|gene990  1
8   7 org1|gene1699  1
9   9 org1|gene1102  1
10 10 org4|gene2439  4
11 10 org1|gene1374  1

然后我们需要列出org的可能值：

possibleOrgs <- seq_len(max(input[, 3])) # = c(1, 2, 3, 4)

现在是棘手的部分。以下函数依次获取每个唯一的簇编号（我注意到10在您的示例数据中出现两次），获取与该簇相关的所有行，并查看这些行的组织值。

result <- vapply(unique(input[, 1]), function (x) 
  possibleOrgs %in% input[input[, 1] == x, 3], logical(4)))

我们可以根据需要格式化此结果，可能使用t转换其方向，* 1转换为TRUE和FALSE为1和0，colnames为标题列：

result <- t(result) * 1
colnames (result) <- paste0('org', possibleOrgs)
rownames(result) <- unique(input[, 1])

我希望这就是你要找的东西 - 你的问题并不是很清楚！

输出：

> result

   org1 org2 org3 org4
0     0    0    0    1
1     1    0    0    0
2     1    0    0    0
3     0    0    0    1
4     1    0    0    0
5     1    0    0    0
6     1    0    0    0
7     1    0    0    0
9     1    0    0    0
10    1    0    0    1