对于R中的if循环，在具有多列和多行的数据帧上运行

Question

我有一个包含36列的文件，每个第二列包含基因符号，每个第一列包含该符号的TPM值，该值是按每个副本计算的，位于每个第三列中。

这意味着第二列中的基因符号可能会在下一个单元格中重复，并且根据该基因的转录本数量，不同的基因符号可能会发生不同的次数。 我想在R中运行一个for循环，以总结同一基因符号的所有TPM并将其移入新的数据帧。

我的代码是：

 for (i in 1:12)
  {
  for (j in 2:length(df$ref_gene_name.i))
    {for (k in 2:length(df$ref_gene_name.i))
    { if (df$ref_gene_name.i[k] == df$ref_gene_name.i[k+1])
        {df1$ref_gene_name.i[j] <- df$ref_gene_name.i[k]}
df1$TPM.i[j] <- df$TPM.i[k] + df$TPM.i[k+1]
      }
    }
  }

当我运行它时，我收到错误消息：if（df $ ref_gene_name.i [k] == df $ ref_gene_name.i [k + 1]）错误：{：参数长度为零。 检查单个步骤是否有错误：

    k=5
df$ref_gene_name.0[k]
df$ref_gene_name.0[k] == df$ref_gene_name.0[k+2]

似乎可以正常工作并返回正确的值，如果它不是同一符号，则为False，如果它是同一符号，则为true。

不确定我的错误在哪里，不胜感激。

数据如下所示：

资料范例

Answer 1

这个怎么样：

library(dplyr)

# Example Data (NA to simulate a partial line)
df <- data.frame("TPM"=c(0.005,0.0008,0.075),"GeneName"=c("OCT4","TERT","TERT"),"Transcript"=c("a","a","b"),
                 "TPM2"=c(0.005,0.0008,NA),"GeneName2"=c("OCT4","TERT",NA),"Transcript2"=c("a","a",NA))

# New data Frame, 1 column per data type
df2 <- data.frame(colnames(c("TPM","GeneName","Transcript")))
for (i in 1:(ncol(df)/3)){
    e <- i*3
    s <- e-2
    dfn <- df[,s:e]
    colnames(dfn) <- c("TPM","GeneName","Transcript")
    df2 <- rbind(df2,dfn)
}

# group by gene name, sum the TPM values by gene name group and ommit any missing values from incomplete lines.
df2 %>% group_by(GeneName) %>% summarise("sumTPM"=sum(TPM)) %>% na.omit()

Answer 2

这可能需要一些调整，但是应该遵循这些原则。

for (i in 0:11)
{
  for (j in unique(df[,paste0("ref_gene_name.",i)]))
   {

       print(sum(df[df[,paste0("ref_gene_name.",i)]==j, paste0("TPM.",i)], na.rm=T))

  }
}

Answer 3

假设数据结构为以下随机数据（为可重复性而播种），请考虑以下内容：在各列之内然后跨列求和：

1. 首先，建立一个数据帧列表，该列表每3列为原始数据帧的子集。
2. 然后，在每个数据帧内运行聚合，以对ref_gene_name分组的TPM 求和 。
3. 最后，在所有数据帧上运行链合并，以包括所有TPM列和ref_gene_name，并在所有TPM列中包括总和

数据 （基因名称为统计/数字，封闭/开源，程序/语言）

gene_name <- c("SAS", "Stata", "SPSS", "Julia", "R", "Pandas")

set.seed(41918)

df <- data.frame(
  TPM.0 = abs(rnorm(50))*100,
  transcript_id.0 = replicate(50, paste(replicate(10, sample(LETTERS , 1, replace=TRUE)), collapse="")),
  ref_gene_name.0 = replicate(50, sample(gene_name , 1, replace=TRUE)),
  TPM.1 = abs(rnorm(50))*100,
  transcript_id.1 = replicate(50, paste(replicate(10, sample(LETTERS , 1, replace=TRUE)), collapse="")),
  ref_gene_name.1 = replicate(50, sample(gene_name , 1, replace=TRUE)),
  TPM.2 = abs(rnorm(50))*100,
  transcript_id.2 = replicate(50, paste(replicate(10, sample(LETTERS , 1, replace=TRUE)), collapse="")),
  ref_gene_name.2 = replicate(50, sample(gene_name , 1, replace=TRUE))
)

head(df)
#        TPM.0 transcript_id.0 ref_gene_name.0     TPM.1 transcript_id.1 ref_gene_name.1     TPM.2 transcript_id.2 ref_gene_name.2
# 1  86.142687      YVXKYYGWBA           Stata 139.16500      IYIJLZITLR            SPSS  42.39001      LFCAKYBJKI            SPSS
# 2 133.150120      YZGWGGFKXG            SPSS  19.46897      TULSBXMZPE             SAS  88.39766      AUSWZRNRNZ           Stata
# 3 139.804035      ZHPLNRNYWN          Pandas 166.69469      WLUNYEPGAQ               R 103.52094      CRERVAUSDU            SPSS
# 4 146.847943      OTKELYDWDC            SPSS  66.93809      LLOCPRBUZS               R  62.43820      QZYZINREYO             SAS
# 5  89.437472      NMAHZLRXJX            SPSS  49.17413      VCEDDIBJHA           Julia 148.03048      LTHJEDOPDB           Julia
# 6   5.584601      WJLKHEBYYB           Stata  88.22947      RERMEUCXGL            SPSS  61.42689      HHGRPSVALV             SAS

处理中

df$X <- NULL              # BE SURE TO REMOVE ANYTHING BEFORE FIRST TPM

# LIST OF DATAFRAMES (EVERY 3 COLUMNS)
df_list <- lapply(seq(1, ncol(df), 3), function(i) {
  tmp <- df[, c(i,(i+2))]
  # NORMALIZE GENE INDICATOR COLUMN NAME
  colnames(tmp)[2] <- "ref_gene_name"

  # WITHIN SUM
  aggregate(.~ref_gene_name, tmp, FUN=sum)
})

# CHAIN MERGE ACROSS ALL DATAFRAMES
wide_df <- Reduce(function(x, y) merge(x, y, by="ref_gene_name", all.x=TRUE), df_list)

# ACROSS SUM: ALL TPM COLUMNS
wide_df$TPM_All <- Reduce(`+`, wide_df[grep("TPM", names(wide_df))])

wide_df
#   ref_gene_name     TPM.0     TPM.1     TPM.2  TPM_All
# 1         Julia 1284.8478  649.3629 1250.2410 3184.452
# 2        Pandas  530.0559  590.9631  873.6411 1994.660
# 3             R  538.8770  509.3850  254.7034 1302.965
# 4           SAS  287.0210  645.4013  587.1971 1519.619
# 5          SPSS  659.0406 1008.8625  902.4517 2570.355
# 6         Stata 1095.2571  925.9412  781.9734 2803.172