Question

我在R中有一个长格式的数据帧（DF1），大约有430,000行和4列。我想按文件对观察进行分组，然后按名称进行分组，然后按照列表定义的特定顺序进行排序，然后在列GT中连接值。该表格具有以下格式：

# Assay Name  GT  file
# as1   Fred  AG  file1.csv
# as2   Fred  GT  file1.csv
# as3   Fred  TC  file1.csv
# as2   Curt  AG  file1.csv
# as1   Curt  GG  file1.csv
# as3   Curt  TT  file1.csv
# as1   Fred  AG  file2.csv
# as2   Fred  NA  file2.csv
# as3   Fred  TC  file2.csv

所需的输出如下所示：

# Name   GT_concatenated  
# Fred   AGGTTC
# Curt   GGAGTT
# Fred   AG  TC

这意味着Assay列需要首先按此列表排序c（＆＃34; as1＆＃34;，＆＃34; as2＆＃34;，＆＃34; as3＆＃34;）然后连接。我试过这个：

DF2<-aggregate(GT~file+Name,data=DF1,paste,collapse="")

它给了我想要的输出，但没有排序，没有空格的“NA＆＃39;值。

Answer 1

每当我按列进行数据操作时，我都会转向data.table

library('data.table')

DF1 <- as.data.table(DF1)

按文件，名称和分析对数据进行排序。它看起来像一个直字母排序，给出了所需的顺序，名称反转，如例子

DF1 <- DF1[order(file, -Name, Assay)]

创建一个虚拟列，该列是GT中的值，如果是GT is.na()中的值，则创建一个空格

DF1[, GT.space := ifelse(is.na(GT), ' ', GT)]

按名称执行折叠

DF1[, .(GT_concatenated = paste(GT.space, collapse='')), by=.(file, Name)]

使用我的数据版本，输出

        file Name GT_concatenated
1: file1.csv Fred          AGGTTC
2: file1.csv Curt          GGAGTT
3: file2.csv Fred           AG TC

如果你真的不想要文件列，那么

DF1[, .(GT_concatenated = paste(GT.space, collapse='')), by=.(file, Name)][, .(Name, GT_concatenated)]

产量

   Name GT_concatenated
1: Fred          AGGTTC
2: Curt          GGAGTT
3: Fred           AG TC

按两个变量对行进行分组，按列对列值进行排序，然后进行连接

1 个答案: