计算编辑距离百分比

时间:2016-12-19 18:53:06

标签: r bioinformatics string-comparison edit-distance

我试图从一组序列中获得编辑距离的百分比。到目前为止,这就是我所拥有的:

library(stringdist)

sequence <- c("CA--------W----------------------EKDRRTEAF---F------",
   "CA--------W----------------------EKDRRTEAF---F------", 
   "CA--------S-------------------SLVFGQGDNIQY---F------", 
   "RA--------S-------------------SLIYSP----LH---F------")

edit_dist <- stringdistmatrix(sequence)
#0 
#13 13 
#14 14 11

len <- stri_length(gsub('-', '', sequence))
#13    13    16    12

由于len的每一行等同于sequence的每一行,因此在比较两行时,我想使用最大的len来获取百分比。因此,当第二个和第三个序列之间有编辑距离时,它将使用16而不是13的长度来获得百分比。

我知道这段代码是错误的,但这通常是我想要的想法:

for (i in len) {
  num1 <- len[i]
  for (j in len){
    num2 <- len[j] 
    if (num2 > num1){
        num <- num2
        }else{
          num <- num1
        }
    }
    edit_dist/num
}

答案应该与下面的内容类似:

0
.8125  .8125
1.0769  1.0769  .6875

1 个答案:

答案 0 :(得分:4)

您可以使用outerpmax构建一个最大长度的合适矩阵,然后您可以强制转换为dist类(如edit_dist),这样您就可以划分:

edit_dist <- stringdistmatrix(sequence)
n <- nchar(gsub('-', '', sequence))

edit_dist / as.dist(outer(n, n, pmax))
##          1        2        3
## 2 0.000000                  
## 3 0.812500 0.812500         
## 4 1.076923 1.076923 0.687500