基于一列重新编码数据框

Question

我有一个 5845*1095(行*列)的数据框，如下所示:

 9  286593   C     C/C     C/A     A/A
 9  334337   A     A/A     G/A     A/A
 9  390512   C     C/C     C/C     C/C

c <-  c("9", "286593", "C", "C/C", "C/A", "A/A") 
d <-  c("9", "334337", "A", "A/A", "G/A", "A/A")
e <-   c("9", "390512", "C", "C/C", "C/C", "C/C")
dat <- data.frame(rbind(c,d,e))

我希望第三列中的值用于将列更改为其右侧，因此如果(每行 1)第 3 列是“C”，则第 4 列从“C/C”变为“0”，因为它有同一个字母。一个字母匹配是 "1"(可以是第一个或第二个字母)，没有字母匹配是 "2"。

9 286593  C  0  1  2
9 334337  A  0  1  0
9 390512  C  0  0  0 

c <-  c("9", "286593", "C", "0", "1", "2") 
d <-  c("9", "334337", "A", "0", " 1", "0")
e <-   c("9", "390512", "C", "0", "0", "0")
dat <- data.frame(rbind(c,d,e))

我有兴趣看到最好的方法来做到这一点，因为我想摆脱在 中使用嵌套 For 循环的习惯R .

Answer 1

首先你的数据:

c <-  c("9", "286593", "C", "C/C", "C/A", "A/A")
# Note: In your original data, you had a space in "G/A", which I did remove. 
# If this was no mistake, we would also have to deal with the space.
d <-  c("9", "334337", "A", "A/A", "G/A", "A/A")
e <-   c("9", "390512", "C", "C/C", "C/C", "C/C")
dat <- data.frame(rbind(c,d,e))

现在我们生成一个包含所有可用字母的向量。

values <- c("A", "C", "G", "T")
dat$X3 <- factor(dat$X3, levels=values) # This way we just ensure that it will later on be possible to compare the reference values to our generated data. 

# Generate all possible combinations of two letters
combinations <- expand.grid(f=values, s=values)
combinations <- cbind(combinations, v=with(combinations, paste(f, s, sep='/')))

主函数找到每列的每个组合的正确列，然后将其与引用列 3 进行比较。

compare <- function(col, val) {
    m <- match(col, combinations$v)
    2 - (combinations$f[m] == val) - (combinations$s[m] == val)
}

最后，我们使用 apply 在所有必须更改的列上运行该函数。您可能希望将 6 更改为您的实际列数。

dat[,4:6] <- apply(dat[,4:6], 2, compare, val=dat[,3])

请注意，与迄今为止的其他解决方案相比，此解决方案不使用字符串比较，而是一种纯粹基于因子水平的方法。看看哪个表现更好会很有趣。

编辑

我只是做了一些基准测试:

    test replications elapsed relative user.self sys.self user.child sys.child
1   arun      1000000   2.881    1.116     2.864    0.024          0         0
2  fabio      1000000   2.593    1.005     2.558    0.030          0         0
3 roland      1000000   2.727    1.057     2.687    0.048          0         0
5  thilo      1000000   2.581    1.000     2.540    0.036          0         0
4  tyler      1000000   2.663    1.032     2.626    0.042          0         0

这让我的版本稍微快一点。但是，差异几乎为零，因此您可能对每种方法都满意。公平地说:我没有对添加额外因子水平的部分进行基准测试。这样做也可能会排除我的版本。