Question

我正在使用包含5列的数据表：

gene_id, length, sample1_count, sample2_count, sample3_count

我想在现有表中添加3个新列，它们代表sample1，sample2和sample3的标准化计数（即将每个基因的每个样本计数除以计数总数）。

如何创建3个新列？或者，当我第一次在unix中生成文件时，是否需要执行此操作？

Answer 1

我们可以使用data.table方式来执行此操作

library(data.table)
nm1 <- grep("^sample\\d+_count", names(df1), value = TRUE)
setDT(df1)[, paste0("Norm_", nm1) := lapply(.SD, `/`, .N), gene_id, .SDcols = nm1]

如果要除以sum

setDT(df1)[, paste0("Norm_", nm1) := lapply(.SD, function(x) x/sum(x)), 
                             gene_id, .SDcols = nm1]

Answer 2

可能有助于包含一个最小可重复的示例，但以下内容将调用一个函数，用于将字段除以mtcars数据集中的柱面数，并将输出存储在新的变量名下：

mtcars
fields_input <- c('hp', 'disp')
fields_output <- c('hp_per_cyl', 'disp_per_cyl')
divide_by_cyl <- function(v) v / mtcars[['cyl']]
mtcars[fields_output] <- lapply(mtcars[fields_input], divide_by_cyl)
mtcars

Answer 3

以下是一些可重现的数据：

 set.seed(1)
 df <- data.frame(gene_id = 1:5, 
                  length = sample(1:100, 5), 
                  sample1_count = sample(1:10, 5), 
                  sample2_count = sample(1:10, 5), 
                  sample3_count = sample(1:10, 5))

这是如何通过样本计数进行标准化，重命名标准化列并最终将标准化列连接到原始数据框（使用基本R函数）：

norms <- sapply(df[ c("sample1_count", "sample2_count", "sample3_count")], function(x) x/sum(x))
colnames(norms) <- sub("count", "norm", colnames(norms))
df2 <- cbind(df, norms)

以下是标准化计数：

df2[, c("gene_id", "length", "sample1_norm", "sample2_norm", "sample3_norm")]
  gene_id length sample1_norm sample2_norm sample3_norm
1       1     27   0.29032258   0.11538462   0.15151515
2       2     37   0.32258065   0.07692308   0.21212121
3       3     57   0.19354839   0.23076923   0.24242424
4       4     89   0.16129032   0.38461538   0.09090909
5       5     20   0.03225806   0.19230769   0.30303030

Answer 4

在我看来，使用长格式可以更好地表示您的数据。使用长格式并使用data.table，您的问题变得更加简单：

# Some sample data
dt <- data.table(
         gene_id = sample(LETTERS, 10),
         length = sample(1:25, 10),
         sample1 = sample(1:1000, 10),
         sample2 = sample(1:1000, 10),
         sample3 = sample(1:1000, 10))

# Convert to long format
dt_long = melt(dt, id.vars = c("gene_id", "length"), value.name = "count")

# Calculate your normalized counts for each gene_id / length combination
dt_long[, normalized_count := count / sum(count), by = c("gene_id", "length")]

如果您需要再次以宽格式输出，可以始终使用：

dcast(dt_long, gene_id + length ~ variable)

得到：

gene_id length   sample1    sample2    sample3
 1:       B     16 0.2666667 0.05232068 0.68101266
 2:       C      6 0.7737226 0.01459854 0.21167883
 3:       J      3 0.4131455 0.41549296 0.17136150
 4:       P     13 0.4846847 0.44054054 0.07477477
 5:       Q     23 0.3425573 0.11545802 0.54198473
 6:       R     12 0.6018576 0.21114551 0.18699690
 7:       S      4 0.5416924 0.30759728 0.15071032
 8:       T     24 0.1838666 0.40694006 0.40919333
 9:       X     11 0.4468085 0.45319149 0.10000000
10:       Z     20 0.2267706 0.43144899 0.34178038

向数据表添加新列

4 个答案: