Question

我有一个数据框，其中包含每个样本中蛋白质序列的存在/不存在，每行是不同的样本，每列是蛋白质序列，除了最后一列具有每个样本的组分配。

如下所示：

dd = malloc(2*sizeof(double));

我想计算Fisher精确检验的每个蛋白质序列（列）的p值，并参考相同的状态（最后一栏）。我的实际数据集有超过100000列，所以我需要一个有效的解决方案。

我所面临的挑战是将其转化为每个蛋白质序列的应变矩阵，以输入fisher.test。一旦完成，它可以循环除除最后一列之外的所有列，但我不确定这是最有效的方法。

Answer 1

lapply遍历数据框的列，因此您可以执行以下操作：

l1 <- lapply(df, fisher.test, y = df$STATUS)
l1

$AA

  Fisher's Exact Test for Count Data

data:  X[[i]] and .$STATUS
p-value = 1
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
  0.002852567 14.836128998
sample estimates:
odds ratio 
 0.3219834 


$AB
# output truncated...

要获得p值，请再次使用lapply：

lapply(l1, function(x) x$p.value)

$AA
[1] 1

$AB
[1] 1

$AC
[1] 0.4

$STATUS
[1] 0.1

要以可用的形式获取，您可以unlist：

unlist(lapply(l1, function(x) x$p.value))

    AA     AB     AC STATUS 
   1.0    1.0    0.4    0.1

显然你想抛弃 STATUS 值，因为这没有多大意义。

执行此操作的“整洁”方法是使用purrr和broom：

purrr::map(df, ~fisher.text(.x, df$STATUS)) %>% 
  purrr::map_dfr(broom::tidy, .id = "sequence")

  sequence  estimate p.value    conf.low  conf.high                             method alternative
1       AA 0.3219834     1.0 0.002852567  14.836129 Fisher's Exact Test for Count Data   two.sided
2       AB 3.1057504     1.0 0.067403027 350.561487 Fisher's Exact Test for Count Data   two.sided
3       AC 0.0000000     0.4 0.000000000   4.922984 Fisher's Exact Test for Count Data   two.sided
4   STATUS       Inf     0.1 0.647974586        Inf Fisher's Exact Test for Count Data   two.sided

但我不知道哪种方法对于那么多列来说会更快。

此外，您可能应该关注那些许多测试的错误率。您是否计划通过某种方法调整p值（例如Bonferroni）？

在存在/不存在数据帧的所有列上运行Fisher精确测试

1 个答案: