Question

我有一个基因组数据的大data.frame。数据看起来像这样 - colnames(df)=c("id","chr","start","end","log2") 其中id是样本名称，chr是染色体的编号，start和end给我染色体上的位置，log2是该位置读取的高/低。

因为有很多数据，而且很难理解发生了什么，我试图检查每个样本（id）和每个染色体（chr）我想计算段中log2的中位数，比如说所有的读取都在1到10 ^ 7,1 + 10 ^ 7到2 * 10 ^ 7之间，等等。

结果应该是一个新的data.frame，对于每个样本和每个染色体，我应该有几行，其中start和end表示我所在的段，最后一个值将是该段的中位数。

我想我需要使用tapply()并查看样本，并在其中tapply()并遍历染色体，然后在每条染色体中，循环开始＆＃34;开始＆＃34;位置？（假设我只关心起始坐标是否在范围内）不确定如何处理这个问题。

任何提示，提示，指示都将非常感激。

可重复的例子 -

# fabricated data, 4 samples
# 24 chromosomes in each sample
# 61 ranges in each chromosome

df <- data.frame(id = rep(c('F1','F2','M1','M2'), each = 24*61), 
                 chr = rep(rep(c(1:22,'x','y'), each = 61),4),
                 start = rep(seq(1,25*10^6 - 99, length.out = 61),times = 24*4),
                 end = rep(seq(100,25*10^6, length.out = 61),times = 24*4),
                 log2 = rnorm(4*24*61))

# output should look something like this-
id      chr     start    end       median_log_2
"F1"    "1"     1        8000000   0.002
"F1"    "1"     8000001  16000000  0.00089
"F1"    "1"     16000001 24000000  -0.0011
"F1"    "1"     24000000 25000000  0.108
"F1"    "2"     1        8000000   -0.0012
"F1"    "2"     8000001  16000000  0.0089
"F1"    "2"     16000001 24000000  0.00311
"F1"    "2"     24000000 25000000  0.0128
...
...

Answer 1

median_data <- tapply(df$log2, 
                      list(df$id, 
                           df$chr, 
                           cut(df$start, c(0,8*10^6,1.6*10^7,2.4*10^7,3.2*10^7,4*10^8))),
                      median)
median_data <- as.data.frame.table(median_data)

做了这个工作。（输出的格式不正确，但它对我来说非常接近）

在tapply()中，您可以使用list()按多个参数进行分组。

在tapply中使用tapply

1 个答案: