R：使用“ for-loop”（遍历多列）创建多个矩阵，以分隔“：”定界的VCF文件

Question

我为什么要问这个？

似乎很多人在拆分VCF文件和使用for循环遍历列时都遇到问题，但是我没有遇到任何与使用包含多个示例的VCF文件相关的方法来解决这两个问题-将会解释。

这是数据结构的示例 ：

Loci    Sample1
[1]     0/1:15:55:54:49:5:9.26%:2.8371E-2:37:36:49:0:5:0
[2]     0/1:42:55:53:40:13:24.53%:5.2873E-5:34:37:40:0:13:0
[3]     0/1:15:54:54:49:5:9.26%:2.8371E-2:35:33:49:0:5:0

问题是如何在许多位点（行）和多个样本（列）上创建具有许多输出统计信息（每个均由“：”分隔）的直观表？

我已经设法解决了这个问题的一半 ：

我开发了一个R脚本，该脚本可以从单个示例列中获取信息，并输出一个将每个单独的统计信息分开的矩阵。 代码如下：

data <- vcf.small

# First, create a list representing each row (locus) and separate the
# statistics; second, breakdown the list's structure but maintain data order.
split1 <-strsplit(as.character(data$Sample1),":")
split2 <- unlist(split1)

# Create a matrix: here, there are 14 values by 3 loci.
mtx1a <- matrix(split2, ncol=14, nrow=3, dimnames=list(NULL,c("GT","GQ","SDP","DP","RD","AD","FREQ","PVAL","RBQ","ABQ","RDF","RDR","ADF","ADR")), byrow=TRUE)

# Create some additional variables (columns) to add to the matrix.
sample <- matrix(rep(1,3), ncol=1, nrow=3, dimnames=list(NULL,c("SAMPLE")))
locus <- matrix(1:3, ncol=1, nrow=3, dimnames=list(NULL,c("LOCUS")))

# Add them to the matrix.
mtx1b <- cbind(mtx1a,sample)
mtx1b <- cbind(mtx1b,locus)

Voila，输出：

     GT    GQ   SDP  DP   RD   AD   FREQ     PVAL        RBQ  ABQ  RDF  RDR ADF  ADR SAMPLE LOCUS
[1,] "0/1" "15" "55" "54" "49" "5"  "9.26%"  "2.8371E-2" "37" "36" "49" "0" "5"  "0" "1"    "1"  
[2,] "0/1" "42" "55" "53" "40" "13" "24.53%" "5.2873E-5" "34" "37" "40" "0" "13" "0" "1"    "2"  
[3,] "0/1" "15" "54" "54" "49" "5"  "9.26%"  "2.8371E-2" "35" "33" "49" "0" "5"  "0" "1"    "3" 

“循环”问题 ：

输出是完美的，但是现在我无法解决这个问题，我不知道该如何创建一个包含以上代码的for循环，以便为每个样本创建单独的矩阵。 我说：

for(i in names(data){
    split[i] <-strsplit(as.character(data$[i]),":")
    split[i] <- unlist(split[i])
    mtx[i]a <- matrix(split2, ncol=14, nrow=3,  
[etc etc..]
}       

问题是我需要创建自定义的单个变量来为每个样本（即列）设置每个矩阵。 但是，R不会将[i]用作占位符，其中i =样本（/列）名称。

理想情况下，每个样本（/列）特定的变量应读为：“ splitSample1”，“ splitSample2”，“ splitSample3”等。这主要是为了允许for循环处理所有列，而不必重新创建针对每个列的代码列名。 我猜我想做的是从Linux重新创建“ $ i”语法，但是显然在这里不起作用。

解决此问题将使处理非常大的数据集更加容易管理，我确实尝试了寻找解决方法。 任何帮助深表感谢！

Answer 1

我认为最好将结果存储在data.frame或data.table ，因为每个拆分列的class类型都不同。 matrix只能存储一个类。 如果只有一个character列，则该类将成为所有columns character 。

使用data.table的devel版本，我们可以使用tstrsplit拆分为列，并使用type.convert=TRUE更改class 。 开发版本可以从here安装

library(data.table)#v1.9.5+
nm1 <- c('GT', 'GQ', 'SDP', 'DP', 'RD', 'AD', 'FREQ', 'PVAL', 'RBQ',
   'ABQ', 'RDF', 'RDR', 'ADF', 'ADR')

setDT(data)[, (nm1):=tstrsplit(Sample1, ':', type.convert=TRUE)][,
         Sample1:=NULL][, c('sample', 'locus'):= list(1, 1:3)][]
#    GT GQ SDP DP RD AD   FREQ       PVAL RBQ ABQ RDF RDR ADF ADR sample locus
#1: 0/1 15  55 54 49  5  9.26% 2.8371e-02  37  36  49   0   5   0      1     1
#2: 0/1 42  55 53 40 13 24.53% 5.2873e-05  34  37  40   0  13   0      1     2
#3: 0/1 15  54 54 49  5  9.26% 2.8371e-02  35  33  49   0   5   0      1     3

如果数据集中有多个“样本”列，我们可以使用lapply遍历这些列，并在列表中创建拆分数据集（“ lst”）。

nm2 <- paste0('splitSample', 1:ncol(data2))
lst <- setNames(
       lapply(seq_len(ncol(data2)), function(i)
          setDT(list(data2[,i]))[, (nm1) := tstrsplit(V1, ":", 
             type.convert=TRUE)][, V1:=NULL][,
               c('sample', 'locus'):= list(i, 1:.N)]), 
                 nm2)

在“列表”中工作会更容易，但是如果我们需要在全局环境中使用单独的数据集对象（不推荐），则可以使用list2env 。

list2env(lst, envir=.GlobalEnv)
splitSample1
#    GT GQ SDP DP RD AD   FREQ      PVAL RBQ ABQ RDF RDR ADF ADR sample locus
#1: 0/1 15  55 54 49  5  9.26% 2.8371E-2  37  36  49   0   5   0      1     1
#2: 0/1 42  55 53 40 13 24.53% 5.2873E-5  34  37  40   0  13   0      1     2
#3: 0/1 15  54 54 49  5  9.26% 2.8371E-2  35  33  49   0   5   0      1     3

splitSample2
#    GT GQ SDP DP RD AD   FREQ      PVAL RBQ ABQ RDF RDR ADF ADR sample locus
#1: 0/2 15  55 55 49  5 10.26%  2.971E-2  37  32  49   0   5   0      2     1
#2: 0/2 52  55 53 40 13 22.53% 1.2873E-5  34  37  12   0  13   0      2     2
#3: 0/2 17  54 54 49 18  9.29% 3.8371E-2  42  33  49   0   5   0      2     3

注意：在这里，我将输入数据集用作data.frame。

数据

data <- structure(list(Sample1 =
   c("0/1:15:55:54:49:5:9.26%:2.8371E-2:37:36:49:0:5:0", 
 "0/1:42:55:53:40:13:24.53%:5.2873E-5:34:37:40:0:13:0",
  "0/1:15:54:54:49:5:9.26%:2.8371E-2:35:33:49:0:5:0"
 )), .Names = "Sample1", class = "data.frame", row.names = c(NA, -3L))


 data2 <- structure(list(Sample1 =
   c("0/1:15:55:54:49:5:9.26%:2.8371E-2:37:36:49:0:5:0", 
  "0/1:42:55:53:40:13:24.53%:5.2873E-5:34:37:40:0:13:0",
  "0/1:15:54:54:49:5:9.26%:2.8371E-2:35:33:49:0:5:0"
 ), Sample2 = c("0/2:15:55:55:49:5:10.26%:2.971E-2:37:32:49:0:5:0", 
 "0/2:52:55:53:40:13:22.53%:1.2873E-5:34:37:12:0:13:0",
 "0/2:17:54:54:49:18:9.29%:3.8371E-2:42:33:49:0:5:0")),
.Names = c("Sample1", "Sample2"), class = "data.frame",
row.names = c(NA, -3L))