Question

我必须改变字符串的元素。我写了一段代码：

sequ <- "GCTTCG"
set.seed(2017)
i <- sample(1:nchar(sequ))
separate.seq.letters <- unlist(strsplit(sequ, ""))
paste(separate.seq.letters[i], collapse = "")
[1] "GTCGTC"

此代码一次洗牌元素。主要问题是有更好（更有效）的方法吗？对于非常长的序列和大量的shuffle strsplit，paste命令需要一些额外的时间。

Answer 1

使用Rcpp包在C中处理可能是最快的。

下面我已经对目前建议的一些方法做了一些基准测试，包括：

问题的方法
@akrun的评论方法
使用@ knb
使用@Rich
基于this post的自定义RCPP功能。

除了stringi函数之外，以下是包含在测试函数中的其他函数：

f_question <- function(s) {
  i <- sample(1:nchar(s))
  separate.seq.letters <- unlist(strsplit(s, ""))
  paste(separate.seq.letters[i], collapse = "")
}

f_comment <- function(s) {
  s1 <- unlist(strsplit(s, ""))
  paste(s1[sample(nchar(s))], collapse="")
}

library(Biostrings)
f_biostring <- function(s) {
  probes <- DNAStringSet(s)
  lapply(probes, sample)
}

Rcpp::cppFunction(
  'std::string shuffleString(std::string s) {
    int x = s.length();
    for (int y = x; y > 0; y--) { 
      int pos = rand()%x;
      char tmp = s[y-1];
      s[y-1] = s[pos];
      s[pos] = tmp;
    }
    return s;
  }'
)

为了测试，加载库和写函数以生成长度为n的序列：

library(microbenchmark)
library(tidyr)
library(ggplot2)

generate_string <- function(n) {
  paste(sample(c("A", "C", "G", "T"), n, replace = TRUE), collapse = "")
}

sequ <- generate_string(10)

# Test example....

sequ
#> [1] "TTATCAAGGC"

f_question(sequ)
#> [1] "CATGGTACAT"
f_comment(sequ)
#> [1] "GATTATAGCC"
f_biostring(sequ)
#> [[1]]
#>   10-letter "DNAString" instance
#> seq: TAGATCGCAT
shuffleString(sequ)
#> [1] "GATTAATCGC"
stringi::stri_rand_shuffle(sequ)
#> [1] "GAAGTCCTTA"

用小n（10 - 100）测试所有函数：

ns <- seq(10, 100, by = 10)
times <- sapply(ns, function(n) {
  string <- generate_string(n)

  op <- microbenchmark(
    QUESTION     = f_question(string),
    COMMENT      = f_comment(string),
    BIOSTRING    = f_biostring(string),
    RCPP         = shuffleString(string),
    STRINGI      = stringi::stri_rand_shuffle(string)
  )
  by(op$time, op$expr, function(t) mean(t) / 1000)
})
times <- t(times)
times <- as.data.frame(cbind(times, n = ns))

times <- gather(times, -n, key = "fun", value = "time")
pd <- position_dodge(width = 0.2)
ggplot(times, aes(x = n, y = time, group = fun, color = fun)) +
  geom_point(position = pd) +
  geom_line(position = pd) +
  theme_bw()

Biostrings的方法很慢。

删除此内容并向上移动到100 - 1000（代码保持不变，但ns除外）：

基于R的函数（来自问题和评论）具有可比性，但却落后了。

删除这些并移动到1000 - 10000：

看起来自定义Rcpp函数是赢家，特别是随着字符串长度的增长。但是，如果在这些之间进行选择，请考虑stringi函数stri_rand_shuffle将更加健壮（例如，经过更好的测试和设计来处理极端情况）。

Answer 2

您可以从 stringi 包中查看stri_rand_shuffle()。它完全用C语言编写，应该非常有效。根据文件，它

在每个字符串中生成代码点的（伪）随机排列。

让我们试一试：

replicate(5, stringi::stri_rand_shuffle("GCTTCG"))
# [1] "GTTCCG" "CCGTTG" "CTCTGG" "CCGGTT" "GTCGCT"

Answer 3

您可以使用Bioconductor存储库中的Biostrings包来执行此操作。稍微修改了PDF of the Biostrings Documentation：

# source("https://bioconductor.org/biocLite.R")
# biocLite("Biostrings") # installs the package
library(Biostrings)

sequ <- "GCTTCG" # .... in reality much longer

probes <- DNAStringSet(sequ)
probes
probes10 <- head(probes, n=10) #shorter substring
set.seed(33)
shuffled_nucleotides <- lapply(probes10, sample)
shuffled_nucleotides
# optional
DNAStringSet(shuffled_nucleotides)  # does NOT copy the sequence data!

在R中改进字符串元素的更好方法

3 个答案: