我有这个名为mydf的数据。
我需要将REF列和ALT列中的字母（DNA字母）与colnames(x)（"A","T","G","C"）匹配，并将相应的数值粘贴在一起{ {1}}。
但是，有些行我"REF,ALT"列中有"snp:+[0-9]"和"flat$"。
现在我想要TYPE行：
"flat$"个ALT的{{1}}值，包括扁线本身，如果
"snp:+[0-9]"个字母是唯一的（请参阅附在卷曲中的脚本
一条扁平线的支架）"start"值再次为ALT（ALT值为
对于具有相同起始ID的"REF,ALT"和REF，同样如此）我已经为一条扁平线做了这个，但我需要帮助为"snp:+[0-9]"制作函数，以便它对所有扁平线都做同样的事情。
如何为"flat$"创建一个函数？
代码
flatcase我为flatCase尝试的功能是：
flatcase是myDF
normalCase <- function(x, ns) {
ref.idx <- which(ns == "REF")
ref.allele <- x[ref.idx]
ref.count <- x[which(ns == ref.allele)]
alt.idx <- which(ns == "ALT")
alt.allele <- x[alt.idx]
alt.count <- x[which(ns == alt.allele)]
paste(ref.count, alt.count, sep=",")
}
flatcase??{
g<-x[,"start"]=="chr16:2530921"& grepl("snp:+[0-9]",x[,"TYPE"])
myt<-x[g,]
x[g,"ALT"]
unique(x[g,"ALT"])
c<-unique(x[g,"ALT"])
flat<-myt[grepl("flat$",myt[,"TYPE"]),]
c<-unique(x[g,"ALT"])
alt.count<- sum(as.numeric(flat[c]))
}
calculateAD <- function(x, mat, ns) {
if (grepl("flat$", x[which(ns == 'TYPE')])) {
flatCase(x, mat, ns)
} else {
normalCase(x, ns)
}
}
bamAD <- function(x) {
new.x <- cbind(x, apply(x, 1, calculateAD, x, colnames(x)))
colnames(new.x)[ncol(new.x)] <- "bam.AD"
new.x
}
结果：
flatCase <- function(x, mat, ns) {
id.idx <- which(ns == 'start')
type.idx <- which(ns == 'TYPE')
ref.idx <- which(ns == 'REF')
alt.idx <- which(ns == 'ALT')
id <- x[id.idx]
#m <- mat[mat[, id.idx] == id & mat[, type.idx] == "snp", ]
#m <- mat[mat[, id.idx] == id & mat[, type.idx] == "snp", ]
m<-mat[grepl(id,mat[, id.idx]) & grepl("snp:+[0-9]",mat[, type.idx]),]
#flat<-mat[grepl("flat$",mat[, type.idx]),]
ref.allele <- x[ref.idx]
ref.count<-x[which(ns == ref.allele)]
alt.count <- sum(apply(m, 1, function(x) as.numeric(x[which(ns == x[alt.idx])])))
paste(ref.count, alt.count, sep=",")
}
答案 0 :(得分：2)
这是一种完成所有操作的方法，矢量化。
首先，请注意，无论类型如何，REF都是相同的。 我们可以通过使用REF作为矩阵的坐标来快速查找，例如，第1行有REF C，所以如果我们查找坐标（1，＆＃34; C＆＃34;），我们得到该行的REF值。
# the REFs are the same regardless of TYPE
rownames(x) <- 1:nrow(x)
ref <- x[cbind(1:nrow(x), x[, 'REF'])]
查看cbind(1:nrow(x), x[, 'REF'])：这只是一个坐标列表(row number, REF)，我们用它来查找REF编号。
然后我们对ALT做同样的事情：
alt <- x[cbind(1:nrow(x), x[, 'ALT'])]
但是，我们必须确保如果类型是“平坦的”，我们会将所有其他ALT添加到＆＃39; flat＆＃39;行的ALT（只有你所说的唯一的ALT）。
首先，确定哪些行是平的：
which.flat <- grep('flat$', x[, 'TYPE'])
接下来，对于每个平行，使用相同的＆＃39;开始＆＃39;查找其他行的ALT。 （那是x[, 'start'] == x[i, 'start']位），并排除具有重复ALT的行（即x[, 'ALT'] != x[i, 'ALT']位）。这里i是当前扁线的索引。将它们全部添加到扁线的ALT中。 sapply只是为每条扁平线矢量化这一切。
# add the other alts to the alt of the 'flat' line.
alt[which.flat] <- as.numeric(alt[which.flat]) + sapply(which.flat,
function (i) {
sum(as.numeric(alt[ x[, 'start'] == x[i, 'start'] &
x[, 'ALT'] != x[i, 'ALT'] ]))
})
现在我们只是粘贴在一起：
x <- cbind(x, bam.AD=paste(ref, alt, sep=','))
结果和你的一样，除了我认为你犯了错误的第10行 - ＆＃34; chr16：2533924＆＃34;而它的ALT是＆＃34; T＆＃34; （值13），所以bam.AD是＆＃34; 19,13＆＃34; （你有＆＃34; 19,42＆＃34;好像ALT是＆＃34; A＆＃34;，但它不是。）
如果你必须坚持你的问题中的函数形式（非常慢和低效！），它与我所做的基本相同（因此你可以在没有apply的情况下做到这一点调用并完全跳过循环）：
flatCase＆lt; - function（x，mat，ns）{ ＃得到平行的alt alt＆lt; - as.numeric（x [x [＆＃39; ALT＆＃39;]]）
# get the other rows with the same 'start' and different 'ALT'
xx <- mat[mat[, 'start'] == x['start'] & mat[, 'ALT'] != x['ALT'], ,drop=F]
if (nrow(xx) > 0) {
# grab all the alts as done before
rownames(xx) <- 1:nrow(xx)
alt <- alt + sum(as.numeric(xx[cbind(1:nrow(xx), xx[, 'ALT'])]))
}
ref <- x[x['REF']]
return(paste(ref, alt, sep=','))
}
然而，如前所述，如果你向上移动它，你上面的整个代码只会减少到几行，并且更快：
newBamAD <- function (x) {
# the version above
rownames(x) <- 1:nrow(x)
ref <- x[cbind(1:nrow(x), x[, 'REF'])]
alt <- x[cbind(1:nrow(x), x[, 'ALT'])]
which.flat <- grep('flat$', x[, 'TYPE'])
alt[which.flat] <- as.numeric(alt[which.flat]) + sapply(which.flat,
function (i) {
sum(as.numeric(alt[ x[, 'start'] == x[i, 'start'] &
x[, 'ALT'] != x[i, 'ALT'] ]))
})
cbind(x, bam.AD=paste(ref, alt, sep=','))
}
library(rbenchmark)
benchmark(
bamAD=bamAD(x),
newBamAD=newBamAD(x)
)
# test replications elapsed relative user.self sys.self user.child sys.child
# 1 bamAD 100 0.082 3.905 0.072 0.004 0 0
# 2 newBamAD 100 0.021 1.000 0.020 0.000 0 0
矢量化版本快了近4倍。
答案 1 :(得分：2)
另一种方法：
# create dataframe
mydf <- as.data.frame(x, stringsAsFactors=FALSE)
# create temporary values based on REF and ALT
mydf$REFval <- diag(as.matrix(mydf[, mydf$REF]))
mydf$ALTval <- diag(as.matrix(mydf[, mydf$ALT]))
在下一步中，你说要ALT＆＃34;如果ALT字母是唯一的＆＃34;但是，如果ALT相同但值不同，则没有指定使用哪个值。由于值是相同的，因此在样本数据集中没有关系，所以在我的代码中，我假设使用了最后一个ALT值。
# sum up ALT values for all start ID
require(dplyr)
mydfs <- mydf %>% group_by(start, ALT) %>%
summarize(ALTkeep=last(ALTval)) %>% # assume keep last one if same ALT
group_by(start) %>%
summarize(ALTflat=sum(as.numeric(ALTkeep)))
# merge back into main dataframe
mydf <- left_join(mydf, mydfs)
# select ALT value for bam.AD depending on "flat$" in TYPE
mydf$bam.AD <- with(mydf,
paste(REFval, ifelse(grepl("flat$", TYPE), ALTflat, ALTval), sep=","))
# optional clean up of temporary values
mydf <- mydf[, !(names(mydf) %in% c("REFval", "ALTval", "ALTflat"))]
您想要的输出
start A T G C REF ALT TYPE bam.AD
1 chr20:5363934 95 29 14 59 C T snp 59,29
2 chr5:8529759 24 1 28 41 G C snp 28,41
3 chr14:9620689 65 49 41 96 T G snp 49,41
4 chr18:547375 94 1 51 67 G C snp 51,67
5 chr8:5952145 27 80 25 96 T T snp 80,80
6 chr14:8694382 68 94 26 30 A A snp 68,68
7 chr16:2530921 49 15 79 72 A T snp:2530921 49,15
8 chr16:2530921 49 15 79 72 A G snp:2530921 49,79
9 chr16:2530921 49 15 79 72 A T snp:2530921flat 49,94
10 chr16:2533924 42 13 19 52 G T snp:2533924flat 19,13
11 chr16:2543344 4 13 13 42 G T snp:2543344flat 13,55
12 chr16:2543344 42 23 13 42 G A snp:2543344 13,42
13 chr14:4214117 73 49 18 77 G A snp 18,73
14 chr4:7799768 36 28 1 16 C A snp 16,36
15 chr3:9141263 27 41 93 90 A A snp 27,27