Question

我有一个大型数据框，每行都有足够的数据来计算使用此数据框的特定列的相关性，并添加一个包含所计算相关性的新列。

以下是我想要做的总结（这个使用dplyr）：

example_data %>%
mutate(pearsoncor = cor(x = X001_F5_000_A:X030_F5_480_C, y = X031_H5_000_A:X060_H5_480_C))

显然它不是这样工作的，因为我在pearsoncor列中只得到NA's，是否有人有建议？有一个简单的方法吗？

最佳，

Example data frame

Answer 1

以下是使用reshape2包将melt()数据框转换为长格式的解决方案，以便每个值都有自己的行。对于6个基因中的每一个，原始宽格式数据每行具有60个值，而熔化的长形数据帧具有360行，每个值一个。然后，我们可以轻松地使用summarize()中的dplyr来计算没有循环的相关性。

library(reshape2)
library(dplyr)

names1 <- names(example_data)[4:33]
names2 <- names(example_data)[34:63]

example_data_longform <- melt(example_data, id.vars = c('Gene','clusterFR','clusterHR'))

example_data_longform %>%
  group_by(Gene, clusterFR, clusterHR) %>%
  summarize(pearsoncor = cor(x = value[variable %in% names1],
                             y = value[variable %in% names2]))

您还可以使用do()生成更详细的结果，如Eudald的回答：

detailed_r <- example_data_longform %>%
  group_by(Gene, clusterFR, clusterHR) %>%
  do(cor = cor.test(x = .$value[.$variable %in% names1],
                    y = .$value[.$variable %in% names2]))

这会输出一个tibble，cor列是一个列表，每个基因的结果为cor.test()。我们可以使用lapply()从列表中提取输出。

lapply(detailed_r$cor, function(x) c(x$estimate, x$p.value))

Answer 2

使用tidyr，您可以单独收集所有x和y变量，您想要进行比较。你得到一个包含相关系数的tibble及其提供的每个组合的p值。

library(dplyr)
library(tidyr)

example_data %>%
  gather(x_var, x_val, X001_F5_000_A:X030_F5_480_C) %>% 
  gather(y_var, y_val, X031_H5_000_A:X060_H5_480_C) %>% 
  group_by(x_var, y_var) %>% 
  summarise(cor_coef = cor.test(x_val, y_val)$estimate,
            p_val = cor.test(x_val, y_val)$p.value)

Answer 3

几天前我遇到了同样的问题，我知道循环在R中不是最佳的，但这是我唯一能想到的：

df$r = rep(0,nrow(df))
df$cor_p = rep(0,nrow(df))

for (i in 1:nrow(df)){
  ct = cor.test(as.numeric(df[i,cols_A]),as.numeric(df[i,cols_B]))
df$r[i] = ct$estimate
df$cor_p[i] = ct$p.value
}

使用dplyr :: mutate

3 个答案: