Question

一般来说R和编码都很新，所以有一些严重的问题！我有一个包含来自GWAS的1,887,181个条目的数据框。我正在尝试使用qqman包来创建曼哈顿情节。我遇到的问题是，创建BP列所需的数据是以混合字符串格式给出的，其中染色体编号位于ID列中。对于顶部相关的SNP（其中只有45个条目），我一直在使用as.numeric_version（）来从ID列中提取数字部分，但这绝对是一种不正确的方法，因为它给出以下错误，但仍然输出正确的值：

BP<-as.numeric_version(PDLS_top_mp$CHR)

Error: invalid version specification ‘2R_19509740_SNP’,
‘2R_19509741_SNP’, ‘2R_15116838_SNP’, ‘3R_10159602_SNP’, 
‘2L_2855787_INS’, ‘X_11169099_SNP’, ‘2L_2855805_SNP’, 
‘3R_19567990_SNP’, ‘2R_19751690_SNP’, ‘2L_17155446_INS’,
‘3R_4610617_SNP’, ‘3L_1114964_SNP’, ‘2L_17155370_SNP’, 
‘3L_3548725_SNP’, ‘2R_16873693_SNP’, ‘2R_15527873_SNP’, 
‘3L_3548727_SNP’, ‘2L_2855816_SNP’, ‘3R_19576606_SNP’, 
‘3L_11508729_DEL’, ‘2L_17155422_SNP’, ‘3R_22503130_INS’, 
‘3R_4610630_SNP’, ‘2R_12331096_SNP’, ‘3R_8777795_SNP’, 
‘3L_10615500_SNP’, ‘X_17577589_SNP’, ‘X_17577622_SNP’, 
‘2L_7047925_SNP’, ‘2L_7047917_SNP’, ‘3R_9564478_SNP’, ‘3R_9590636_SNP’, 
‘3R_3614137_SNP’, ‘2R_4682340_INS’, ‘3L_6056407_SNP’, 
‘3L_11503648_SNP’, ‘3R_9580772_SNP’, ‘2L_18252469_SNP’, 
‘2L_7047939_SNP’, ‘3R_25530801_DEL’, ‘3L_1111454_SNP’, 
‘2L_17324557_SNP’, ‘3L_9799858_SNP�

我尝试设置正则表达式并使用以下代码替换值，但也无效：

regexp<-"_[[:digit:]]_+"
s<-str_extract(PDLS_top_mp$ID,regexp)
View(s)
Error in View : 'names' attribute [2] must be the same length as the vector [1]

as.numeric_version（）不适用于包含所有关联SNP的非常大的数据帧，它只为每个条目返回NA。以下是所有相关的SNP数据框的样子：

 print(head(PDLS_ALL_dtf))
 # A tibble: 6 × 3

      ID      SinglePval SingleMixedPval
    <chr>      <dbl>           <dbl>
  2L_5372_SNP     0.6712        7.328082
  2L_5390_SNP     0.8176        8.459388
  2L_5403_SNP     0.9967        8.304397
  2L_5465_SNP     0.7897        6.187142
  2L_5516_SNP     0.4967        5.223919
  2L_5598_SNP     0.7099        5.169412

我希望它最终像这样:(其中有5种不同的染色体ID，X，2L，2R，3L，3R和4都是上述格式）

    ID       BP    SinglePval SingleMixedPval
   <chr>   <num>    <dbl>           <dbl>
 1       2L       5372   0.6712        7.328082
 2       2L       5390   0.8176        8.459388
 3       2L       5403   0.9967        8.304397
 4       2L       5465   0.7897        6.187142
 5       2L       5516   0.4967        5.223919
 6       2L       5598   0.7099        5.169412

任何帮助都会非常感激！

Answer 1

strsplit仅用于此目的

ID = sapply(strsplit(PDLS_ALL_dtf$ID, "_"), function(x) x[[1]])
ID
[1] "2L" "2L" "2L" "2L" "2L" "2L"
BP = sapply(strsplit(PDLS_ALL_dtf$ID, "_"), function(x) x[[2]])
BP
[1] "5372" "5390" "5403" "5465" "5516" "5598"

将它们放在一个数据框中：

PDLS_ALL_dtf$BP = sapply(strsplit(PDLS_ALL_dtf$ID, "_"), function(x) x[[2]])
PDLS_ALL_dtf$ID = sapply(strsplit(PDLS_ALL_dtf$ID, "_"), function(x) x[[1]])
PDLS_ALL_dtf = PDLS_ALL_dtf[,c(1,4,2,3)]
PDLS_ALL_dtf
  ID   BP SinglePval SingleMixedPval
1 2L 5372     0.6712        7.328082
2 2L 5390     0.8176        8.459388
3 2L 5403     0.9967        8.304397
4 2L 5465     0.7897        6.187142
5 2L 5516     0.4967        5.223919
6 2L 5598     0.7099        5.169412

Answer 2

可以使用dplyr / tidyr：

df_new<-df%>%separate(ID,into=c("ID","BP"),sep="_")

注意：由于第二个下划线（_SNP），会出现警告。但我猜这种情况并不重要。

Warning message:
Too many values at 7 locations: 1, 2, 3, 4, 5, 6, 7

如果你想保留它：

df_new<-df%>%separate(ID,into=c("ID","BP"),extra="merge")

或放弃它：

df_new<-df%>%separate(ID,into=c("ID","BP"),extra="drop")

df_new
  ID   BP SinglePval SingleMixedPval
1 2L 5372     0.6712        7.328082
2 2L 5390     0.8176        8.459388
3 2L 5403     0.9967        8.304397
4 2L 5465     0.7897        6.187142
5 2L 5516     0.4967        5.223919
6 2L 5598     0.7099        5.169412
7 2L 5598     0.7099        5.169412

Answer 3

以下是使用extract

的选项

library(tidyverse)
PDLS_ALL_dtf  %>% 
      extract(ID, into = c("ID", "BP"), "^([^_]+)_([^_]+).*")
#    ID   BP SinglePval SingleMixedPval
#1 2L 5372     0.6712        7.328082
#2 2L 5390     0.8176        8.459388
#3 2L 5403     0.9967        8.304397
#4 2L 5465     0.7897        6.187142
#5 2L 5516     0.4967        5.223919
#6 2L 5598     0.7099        5.169412

从R

3 个答案: