Question

我正在尝试使用R来过滤我的数据框，大约有20万行。数据框的结构如下：

testdf<- data.frame("CHROM"='CHR8', "POS"=c(500,510), "ID"='Some_value',
                        "REF"=c('A','C'), "ALT"=c('C','T,G'), "Some_more_stuff"='More_info')

我正在尝试根据“ALT”列中的字母数量来过滤行，等于或小于自定义阈值。在上面的示例中，如果我的阈值为1，则仅保留第一行（第二行 - ALT列 - 具有2个字母＆gt; 1）。

我已经编写了几个功能，可以完成这项工作。唯一的问题是它们只用了14行就可以在测试数据帧上花几秒钟。在真实的数据帧（200,000行）上，它需要永远。我正在寻找关于如何编写更好的语法并获得更快结果的建议。这是我的职能：

# Function no. 1:
allele_number_filtering<- function (snp_table, max_alleles=1, ALT_column=5) {
  #here I calculate how many letters are in the ALT column
  alt_allele_list_length <- function(ALT_field) {
    alt_length<- length(strsplit(as.character
                                 (ALT_field), split = ',')[[1]])
    return(alt_length)}
  # Create an empty dataframe with same columns as the input df
  final_table<- snp_table[0,]
  # Now only retain the rows that are <= max_alleles
  for (i in 1:nrow(snp_table)) {
    if (alt_allele_list_length(snp_table[i, ALT_column]) <= max_alleles) {
      final_table<- rbind(final_table, snp_table[i,])}}
  return(final_table)}

#Function no. 2:
allele_number_filtering<- function (snp_table, max_alleles=1, ALT_column=5) {
  final_table<- snp_table[0,]
  for (i in 1: nrow(snp_table)) {
    if (length(strsplit(as.character(snp_table[i,ALT_column]),
                        split = ',')[[1]])<=max_alleles) {
      final_table<- rbind(final_table, snp_table[i,])
    }}
  return(final_table)}

我会感谢任何建议:) 最大

编辑：我意识到我也有'ALT'='at'（仍然算作1）或'ALT'='aa，at'（计为2）等值。

Answer 1

您可以使用lengths()：

testdf[lengths(strsplit(as.character(testdf$ALT), ',',fixed = TRUE))<=1,]

感谢@docendodiscimus加快strsplit( fixed=TRUE)选项以及@joran的敏捷性

Answer 2

我会使用nchar（在我通过,删除gsub之前）：

nchar(gsub(",", "", as.character(testdf$ALT)))
# [1] 1 2

threshold <- 1
testdf[nchar(gsub(",", "", as.character(testdf$ALT))) > threshold, ]
#   CHROM POS         ID REF ALT Some_more_stuff
# 2  CHR8 510 Some_value   C T,G       More_info

data.frame过滤功能太慢了

2 个答案: