Question

我的数据框（Annot_Subset）如下所示：

IlmnID   UCSC_RefGene_Group
cg00050873         Body;TSS1500
cg00212031               TSS200
cg00213748                     
cg00214611        1stExon;5'UTR
cg00455876                     
cg01707559 TSS200;TSS200;TSS200
cg02004872        1stExon;5'UTR

我想做的是通过执行以下操作清理最后一栏：

用不同的字符串替换条目（例如Body; TSS1500），字符串为“Multiple_locations”
重复相同字符串重复的条目（例如TSS200; TSS200），该字符串出现一次
将字符串“Intergenic”添加到不包含任何内容的条目中。

举个例子：

IlmID UCSC_RefGene_Group
cg00050873 Multiple_locations
cg00212031             TSS200
cg00213748         Intergenic
cg00214611 Multiple_locations
cg00455876         Intergenic
cg01707559             TSS200
cg02004872 Multiple_locations

我写了一个能做到这一点的功能;但是想知道是否有更优雅和有效的方法来解决问题。特别是因为我的数据帧有485 000行。

这就是我的想法：

Gene_Group_Split<-strsplit(Annot_Subset$UCSC_RefGene_Group,";")
Clean.Gene.Group<-function(x) {
  Gene_Group_Cleaned<-vector(mode="character",length=length(x))
  for (i in 1:length(x)) { 
    if (length(x[[i]])>=1) {
      unique_set<-unique(x[[i]])
      if (length(unique_set)==1) {
        Gene_Group_Cleaned[i]<-unique_set
      } else {
        Gene_Group_Cleaned[i]<-"Multiple_locations"
      }
    } else {
      Gene_Group_Cleaned[i]<-"Intergenic"
    }
  }  
return(Gene_Group_Cleaned)
}

Gene_Group_2<-Clean.Gene.Group(Gene_Group_Split)

Answer 1

试试这个例子：

df <- read.table(text="
IlmnID UCSC_RefGene_Group
                 cg00050873 Body;TSS1500
                 cg00212031 TSS200
                 cg00213748                    
                 cg00214611 1stExon;5'UTR
                 cg00455876                    
                 cg01707559 TSS200;TSS200;TSS200
                 cg02004872 1stExon;5'UTR", fill=TRUE, header=TRUE, stringsAsFactors=FALSE)

df$Type <-
  unlist(
    lapply(df$UCSC_RefGene_Group, function(i){
      x <- unique(unlist(strsplit(i,split = ";")))
      ifelse(length(x)>1,"Multiple_locations",
             ifelse(length(x)==0,"Intergenic",x))
    })
  )

#result
df
#       IlmnID   UCSC_RefGene_Group               Type
# 1 cg00050873         Body;TSS1500 Multiple_locations
# 2 cg00212031               TSS200             TSS200
# 3 cg00213748                              Intergenic
# 4 cg00214611        1stExon;5'UTR Multiple_locations
# 5 cg00455876                              Intergenic
# 6 cg01707559 TSS200;TSS200;TSS200             TSS200
# 7 cg02004872        1stExon;5'UTR Multiple_locations

Answer 2

library(dplyr)
library(stringi)
library(tidyr)

df = read.table(text="
IlmnID UCSC_RefGene_Group
                 cg00050873 Body;TSS1500
                 cg00212031 TSS200
                 cg00213748                    
                 cg00214611 1stExon;5'UTR
                 cg00455876                    
                 cg01707559 TSS200;TSS200;TSS200
                 cg02004872 1stExon;5'UTR", fill=TRUE, header=TRUE, stringsAsFactors=FALSE)

classify = function(string_vector)
  if (length(string_vector) > 1) "Multiple_locations" else
    if (string_vector == "") "Intergenic" else
      string_vector

df %>%
  mutate(UCSC_RefGene_Group = 
           UCSC_RefGene_Group %>% 
           stri_split_fixed(";")) %>%
  unnest(UCSC_RefGene_Group) %>%
  distinct %>%
  group_by(IlmnID) %>%
  summarize(class = classify(UCSC_RefGene_Group))

基于分隔符拆分，并删除重复项

2 个答案: