[英]R: Splitting up a “:” delimited VCF file, using a 'for-loop' (iterating over several columns) to create multiple matrices
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!
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。
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))
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.