Question

我有一个大型数据帧SYN_data，具有150000行和3列，分别名为SNP，Gene和count。有一个包含2545个计数值的列表r，还包括一些重复项。现在，我需要对2545行进行随机采样，而无需从SYN_data进行替换，其计数值与列表r中类似。通过使用以下代码，我可以成功完成此操作：

test1 <- SYN_data[ sample( which( SYN_data$count %in% r ) , 2545 ) , ]

第二个条件是，基因的唯一长度应在总共2545行中为1671，这意味着某些基因具有1个以上的SNP。有什么办法可以将这个条件合并到同一代码中，或者任何其他满足所有条件的代码将非常有帮助。谢谢！

样本数据：

# list
r 
> 1,7,3,14,9

SYN_data$SNP <- c('1- 10068526', '1- 10129891', '1- 10200104', 
                  '1- 10200491', '1- 10470141', '1- 10671598')

SYN_data$Gene <- c('AT1G28640', 'AT1G29030', 'AT1G29180', 
                   'AT1G29180', 'AT1G29900', 'AT1G30290')

SYN_data$count <- c('14',  '9',  '3',  '3',  '7',  '1')

Answer 1

一种可能的方法是首先对1671个独特基因进行采样，将数据集子集化为共享那些基因并在r集内计数的那些。这是data.table中这种方法的实现：

#had to create some dummy data as not clear what the data is like
set.seed(0L)
nr <- 15e4
nSNP <- 1e3 
nGene <- 1e4
ncount <- 1:14     
r <- c(1,3,7,9,14)
SYN_data <- data.table(SNP=sample(nSNP, nr, TRUE),
    Gene=sample(nGene, nr, TRUE), count=sample(ncount, nr, TRUE))

ncnt <- 2545
ng <- 1671

#sample 1671 genes
g <- SYN_data[, sample(unique(Gene), ng)]    

#subset and sample the dataset
ix <- SYN_data[Gene %in% g & count %in% r, sample(.I, 1L), Gene]$V1
ans <- rbindlist(list(
    SYN_data[ix],
    SYN_data[-ix][Gene %in% g & count %in% r][, .SD[sample(.I, ncnt - ng)]]))
ans[, uniqueN(Gene)]
#1662 #not enough Gene in this dummy dataset

输出：

      SNP Gene count
   1: 816 1261    14
   2:   7 8635     1
   3: 132 7457     1
   4:  22 3625     3
   5: 396 7640     7
  ---               
2534: 423 6387     3
2535: 936 3908     7
2536: 346 9654    14
2537: 182 7492     3
2538: 645  635     1

Answer 2

尝试使用以下内容：

library(dplyr)

no_of_rows <- 2545
no_of_unique_gene <- 1671
temp <- SYN_data

while(n_distinct(temp$Gene) != no_of_unique_gene) {
  gene <- sample(unique(SYN_data$Gene),no_of_unique_gene)
  temp <- SYN_data[SYN_data$V23 %in% unique(r) & SYN_data$Gene %in% gene, ]
}
part1  <- temp %>% group_by(Gene) %>% sample_n(floor(no_of_rows/no_of_unique_gene))
part2 <- temp %>% anti_join(part1) %>% sample_n(no_of_rows - nrow(part1)) 
final <- bind_rows(part1, part2)

，然后检查length(unique(final$Gene))。

基于多条件向量R的随机抽样

2 个答案: