r - 如何在另一列中创建数据标记信息列

Question

我有一个基因组位置 ID 的遗传数据集，其中 2 个 ID 可以在一列中具有共享值。我希望创建另一个列来标识那些具有共享信息的人。
例如我的数据看起来像:

CP     Shared_CP
1:10   1:10, 1:11, 1:12
1:20   1:56
1:11   1:11, 1:10, 1:12
1:22   1:21, 1:30
1:30   1:30, 1:21

我希望用匹配的 Shared_CP 标记行信息并唯一标识每个分组，输出:

CP     Shared_CP          matches
1:10   1:10, 1:11, 1:12      1
1:20   1:56                  NA
1:11   1:11, 1:10, 1:12      1
1:22   1:21, 1:30            2
1:30   1:30, 1:21            2

我看到根据其他列的信息创建新列也有类似的问题，但我还没有找到一种方法来使它们解决我的问题，目前我一直在尝试使用基于共享信息的行标记如果他们在 Shared_CP 中有逗号列，但我不知道如何为单个匹配项提供一个唯一标识符来存储 - 任何帮助将不胜感激。
示例输入数据:

structure(list(CP = c("1:10", "1:20", "1:11", "1:22", "1:30"
), Shared_CP = c("1:10, 1:11, 1:12", "1:56", "1:11, 1:10, 1:12", "1:21, 1:30", 
"1:30, 1:21")), row.names = c(NA, -5L), class = c("data.table", 
"data.frame"))

编辑:对于额外的细节，我的实际数据集可以有多个 Shared_CP ID，而不仅仅是 2。在一行中也可以有多个 Shared_CP 输入，其中 CP 不相同/包含在 Shared_CPs 列中，我已将示例更改为反射(reflect)这一点。

Answer 1

如果我理解正确，OP想要

为 Shared_CP 创建唯一的组号无论基因组位置在 Shared_CP 中出现的顺序如何.所以，1:10, 1:11, 1:12 , 1:11, 1:10, 1:12 , 和 1:12, 1:11, 1:10都是等价的。

此外，如果 Shared_CP 中只包含一个元素它应该被分配组号 NA .

列的值 CP无关紧要。

使用 data.table 的一种可能答案是

library(data.table)
library(magrittr)
DT[, tmp :=  strsplit(Shared_CP, ", ") %>% unlist() %>% sort() %>% toString(), 
   by = seq(nrow(DT))][
     order(tmp) & tmp %like% ", ", matches := rleid(tmp)][
       , tmp := NULL][]

     CP        Shared_CP matches
1: 1:10 1:10, 1:11, 1:12       1
2: 1:20             1:56      NA
3: 1:11 1:11, 1:10, 1:12       1
4: 1:22       1:21, 1:30       2
5: 1:30       1:30, 1:21       2

这符合 OP 的预期结果。特别是，OP 已将第 4 行分配给 matches第 2 组。
对于每一行， Shared_CP被分成几部分，被强制转换为字符基因组位置向量，这些位置被排序并再次组合为字符键。此键存储在临时列 tmp 中. Shared_CP ID 号 matches是通过应用 rleid() 创建的 tmp 的订购版本上的功能，从而跳过 tmp 的行不包括 ", " ，即，其中 Shared_CP仅由一个元素组成。最后， tmp已移除。
管道(来自包 magrittr)和链接(来自 data.table)用于提高可读性。