birleştiren (yapıştırma) sütunlarına

Question

ben şu var data.frame

Tipo Start End Strand Accesion1 Accesion2 
1 gene 197 1558  +  <NA> SP_0001 
2 CDS 197 1558  + NP_344554  <NA> 
3 gene 1717 2853  +  <NA> SP_0002 
4 CDS 1717 2853  + NP_344555  <NA> 
5 gene 2864 3112  +  <NA> SP_0003 
6 CDS 2864 3112  + NP_344556  <NA> 

Orada böyle tRNA, bölge, ekson veya rRNA gibi daha "Tipo" değerler vardır, ama bu ikisini birleştiren tek ilgileniyorum gen ve CDS

ve

Start End Accesion1 Accesion2 
1 197 1558 NP_344554 SP_0001 

ama başlangıç ​​ve sonu geninin değerler ve CDS tuttuğu takdirde aşağıdaki almak istiyorum. Ben seçeneğini kullanmak düzenlemek ve dplyr ile mutasyona denedim ama bana ilgi UA

Answer 1

A dplyr sürümü:

DF %>% 
    group_by(Start, End) %>% 
    summarise_each(funs(max), Accesion1, Accesion2) 

üretir:

Source: local data frame [3 x 4] 
Groups: Start 

    Start End Accesion1 Accesion2 
1 197 1558 NP_344554 SP_0001 
2 1717 2853 NP_344555 SP_0002 
3 2864 3112 NP_344556 SP_0003 

AccessionX Değişkenler koşulu, hem de karakter (faktörü ile çalışmaz) olduğunu kabul olduğunu Başlangıç ​​Bitiş çiftleri, veri kümenizde olduğu gibi yalnızca iki değer, biri Tipo ve Gen'den oluşur.

Answer 2

kurtulmak için Buraya aggregate() kullanarak bir çözüm tür karmaşıktır:

df <- data.frame(Tipo=c('gene','CDS','gene','CDS','gene','CDS'), Start=c(197,197,1717,1717,2864,2864), End=c(1558,1558,2853,2853,3112,3112), Strand=c('+','+','+','+','+','+'), Accesion1=c(NA,'NP_344554',NA,'NP_344555',NA,'NP_344556'), Accesion2=c('SP_0001',NA,'SP_0002',NA,'SP_0003',NA)); 
df2 <- df[df$Tipo%in%c('gene','CDS'),c('Start','End','Accesion1','Accesion2')]; 
aggregate(df2[,c('Accesion1','Accesion2')], df2[,c('Start','End')], function(x) x[!is.na(x)]); 
## Start End Accesion1 Accesion2 
## 1 197 1558 NP_344554 SP_0001 
## 2 1717 2853 NP_344555 SP_0002 
## 3 2864 3112 NP_344556 SP_0003 

precomputing df2 gereklidir orjinal data.frame'de gen olmayan CDS olmayan satırlar var ise; Sadece gen ve CDS satırlarını düzgün bir şekilde toplamak için, gen olmayan CDS olmayan satırların her ikisi de x ve by'dan hariç tutulmalıdır. (Bu örnek veriler için teknik olarak yansıttığı görünüyorsa Elbetteki kendi örnek veri, sadece gen ve CDS satır var.)

Bu çözüm iki satır aynı Start ve End değerlere sahip olduğunda, o zaman olmalıdır varsayım yapar gen/CDS çiftleri (gen/gen veya CDS/CDS'nin aksine).

Answer 3

İşte olası bir yol. Gen ve CDS ile satırları seçersiniz. Ardından, verilerinizi Start ve END ile gruplandırırsınız. 1 veya 3+ satır içeren START/END grupları olabilir. Yani, iki satırlı START/END gruplarını seçtiğinizden emin olmak istersiniz. Ayrıca, hem gen hem de CDS (length(unique(Tipo)) == 2) olduğundan emin olmak istersiniz. Son olarak,

filter(df, Tipo %in% c("gene", "CDS")) %>% 
group_by(Start, End) %>% 
filter(n() == 2 & length(unique(Tipo)) == 2) %>% 
summarise(Accesion1 = Accesion1[!is.na(Accesion1)], 
      Accesion2 = Accesion2[!is.na(Accesion2)]) 

İşte sahte örnektir Accesion1 ve üyeliğiyle 2.

olmayan NA eleman alır. summarize_each ile

mydf <- structure(list(Tipo = structure(c(2L, 1L, 2L, 1L, 2L, 2L), .Label = c("CDS", 
"gene"), class = "factor"), Start = c(197, 197, 1717, 1717, 2864, 
2864), End = c(1558, 1558, 2853, 2853, 3112, 3112), Strand = structure(c(1L, 
1L, 1L, 1L, 1L, 1L), .Label = "+", class = "factor"), Accesion1 = structure(c(NA, 
1L, NA, 2L, NA, 3L), .Label = c("NP_344554", "NP_344555", "NP_344556" 
), class = "factor"), Accesion2 = structure(c(1L, NA, 2L, NA, 
3L, NA), .Label = c("SP_0001", "SP_0002", "SP_0003"), class = "factor")), .Names = c("Tipo", 
"Start", "End", "Strand", "Accesion1", "Accesion2"), row.names = c(NA, 
-6L), class = "data.frame") 


    Tipo Start End Strand Accesion1 Accesion2 
1 gene 197 1558  +  <NA> SP_0001 
2 CDS 197 1558  + NP_344554  <NA> 
3 gene 1717 2853  +  <NA> SP_0002 
4 CDS 1717 2853  + NP_344555  <NA> 
5 gene 2864 3112  +  <NA> SP_0003 
6 gene 2864 3112  + NP_344556  <NA> 


filter(mydf, Tipo %in% c("gene", "CDS")) %>% 
group_by(Start, End) %>% 
filter(n() == 2 & length(unique(Tipo)) == 2) %>% 
summarise(Accesion1 = Accesion1[!is.na(Accesion1)], 
      Accesion2 = Accesion2[!is.na(Accesion2)]) 

# Start End Accesion1 Accesion2 
#1 197 1558 NP_344554 SP_0001 
#2 1717 2853 NP_344555 SP_0002 

Answer 4

Sen

library(data.table) 
setDT(df1)[, id:=cumsum(Tipo == 'gene')][, 
    list(Accesion1=na.omit(Accesion1), Accesion2=na.omit(Accesion2)) , 
           list(id, Start, End)] 

Sen olmadığı konusunda, biraz daha ayrıntı gerekebilir