连接整个数据帧的列对

Question

我正在使用遗传数据，我需要连接成对的列。 我的数据在单独的列中具有主要和次要等位基因（例如，allele1a，allele1b，allele2a，allele2b等等）。 我需要一种方法来为整个数据框配对列。 我在下面提供了一个示例，但我的数据有170万对（所以我现在有340万个列），所以如果我需要命名每一列，它将无法工作。 我稍后会更改列名。 如果有办法在R中执行此操作，那么任何指导都会受到赞赏。 我尝试创建一个序列并粘贴它们 ，例如：

df <- data.frame(id = seq(1,20),
                 var1 = rep("A", 20),
                 var2 = c(rep("T", 10), rep("A", 10)),
                 var3 = rep("C", 20),
                 var4 = c(rep("C", 10), rep("G", 10)),
                 var5 = rep("A", 20),
                 var6 = c(rep("A", 10), rep("G", 10)),
                 stringsAsFactors = FALSE)

i <- seq.int(1, length(ped), by = 2L)
df <- paste0(df[i], df[i+1])

但那没用。 我希望它来自：

    id var1 var2 var3 var4 var5 var6
1   1    A    T    C    C    A    A
2   2    A    T    C    C    A    A
3   3    A    T    C    C    A    A
4   4    A    T    C    C    A    A
5   5    A    T    C    C    A    A
6   6    A    T    C    C    A    A
7   7    A    T    C    C    A    A
8   8    A    T    C    C    A    A
9   9    A    T    C    C    A    A
10 10    A    T    C    C    A    A
11 11    A    A    C    G    A    G
12 12    A    A    C    G    A    G
13 13    A    A    C    G    A    G
14 14    A    A    C    G    A    G
15 15    A    A    C    G    A    G
16 16    A    A    C    G    A    G
17 17    A    A    C    G    A    G
18 18    A    A    C    G    A    G
19 19    A    A    C    G    A    G
20 20    A    A    C    G    A    G

至：

   id var1 var2 var3
1   1   AT   CC   AA
2   2   AT   CC   AA
3   3   AT   CC   AA
4   4   AT   CC   AA
5   5   AT   CC   AA
6   6   AT   CC   AA
7   7   AT   CC   AA
8   8   AT   CC   AA
9   9   AT   CC   AA
10 10   AT   CC   AA
11 11   AA   CG   AG
12 12   AA   CG   AG
13 13   AA   CG   AG
14 14   AA   CG   AG
15 15   AA   CG   AG
16 16   AA   CG   AG
17 17   AA   CG   AG
18 18   AA   CG   AG
19 19   AA   CG   AG
20 20   AA   CG   AG

编辑：谢谢!!! 我能够为我的数据调整两个答案，而@ akrun的运行速度要快一些。 我创建了一个包含100行和100,000列的数据子集，结果如下：

microbenchmark(
+   {
+   new <- ped %>%
+   gather(key = V, value = value, -id) %>%
+   mutate(V = str_extract(V, "\\d+") %>% as.numeric()) %>%
+   group_by(id) %>%
+   mutate(pair = ceiling(V / 2)) %>% 
+   group_by(id, pair) %>%
+   summarise(combined = paste(value, collapse = "")) %>%
+   mutate(V_combo = paste0("V", pair)) %>%
+   select(-pair) %>%
+   spread(key = V_combo, value = combined) %>%
+   select(id, paste0("V", seq(1, ncol(.)-1, 1)))
+   },
+   {
+   out <- ped[1]
+   new_cols <- paste0("V", seq(1, (ncol(ped)-1)/2))
+   
+   out[new_cols] <- lapply(seq(2, ncol(ped)-1, 2), 
+                           function(i) do.call(paste0, ped[i:(i+1)]))
+   },
+   times = 1
+   )

Unit: seconds                                                                                                                                                                                                                                                                                                                                                                                                                                               

   expr           min        lq      mean    median        uq       max neval
camille     250.30901 250.30901 250.30901 250.30901 250.30901 250.30901     1
akrun       23.52434  23.52434  23.52434  23.52434  23.52434  23.52434     1
    > 
    > new <- data.frame(new, stringsAsFactors = FALSE)
    > identical(new, out)
    [1] TRUE

Answer 1

我们可以创建一个循环来将列与相邻列一起进行子集化，将其with do.call` paste在一起with并将其作为新列分配给新数据集

out <- df[1]
out[paste0("var", 1:3)] <- lapply(seq(2, ncol(df), 2), 
               function(i) do.call(paste0, df[i:(i+1)]))

Answer 2

使用tidyverse ，您可以撰写的修改表达时间提前，然后通过他们都transmute散装。 此解决方案使用列名称，因此对列排序很稳健：如果您对allele列进行洗牌，这仍然可以给出相同的答案。

library( tidyverse )

# Create expressions of the form allele1 = str_c(allele1a, allele1b)
v <- str_c("allele",1:3) %>% set_names %>%
    map( ~glue::glue("str_c({.}a, {.}b)") ) %>% map( rlang::parse_expr )

df %>% transmute( id = id, !!!v )
# # A tibble: 20 x 4
#       id allele1 allele2 allele3
#    <int> <chr>   <chr>   <chr>  
#  1     1 AT      CC      AA     
#  2     2 AT      CC      AA     
#  3     3 AT      CC      AA     
#  4     4 AT      CC      AA     
# ...

我修改了您的数据以更接近您的描述：

df <- data_frame(id = seq(1,20),
             allele1a = rep("A", 20),
             allele1b = c(rep("T", 10), rep("A", 10)),
             allele2a = rep("C", 20),
             allele2b = c(rep("C", 10), rep("G", 10)),
             allele3a = rep("A", 20),
             allele3b = c(rep("A", 10), rep("G", 10)))

Answer 3

这是一种旨在相当好地扩展的tidyverse方式。 我没有硬编码你想要对第1列，第2列，第3列和第4列以及第5列和第6列进行配对，而是重新调整长数据以获得变量数，通过将变量数除以2将它们分组成对，折叠每对中的字母，并重新变宽。 这样，您可以在任何偶数列上执行相同的过程。

library(tidyverse)
...

过滤ID 1以显示这一点：

df %>%
  gather(key = var, value = value, -id) %>%
  mutate(var = str_extract(var, "\\d+") %>% as.numeric()) %>%
  group_by(id) %>%
  mutate(pair = ceiling(var / 2)) %>%
  filter(id == 1)
#> # A tibble: 6 x 4
#> # Groups:   id [1]
#>      id   var value  pair
#>   <int> <dbl> <chr> <dbl>
#> 1     1     1 A         1
#> 2     1     2 T         1
#> 3     1     3 C         2
#> 4     1     4 C         2
#> 5     1     5 A         3
#> 6     1     6 A         3

然后将字符串折叠为ID和对的每个组合的汇总值：

df %>%
  gather(key = var, value = value, -id) %>%
  mutate(var = str_extract(var, "\\d+") %>% as.numeric()) %>%
  group_by(id) %>%
  mutate(pair = ceiling(var / 2)) %>% 
  group_by(id, pair) %>%
  summarise(combined = paste(value, collapse = ""))
#> # A tibble: 60 x 3
#> # Groups:   id [?]
#>       id  pair combined
#>    <int> <dbl> <chr>   
#>  1     1     1 AT      
#>  2     1     2 CC      
#>  3     1     3 AA      
#>  4     2     1 AT      
#>  5     2     2 CC      
#>  6     2     3 AA      
#>  7     3     1 AT      
#>  8     3     2 CC      
#>  9     3     3 AA      
#> 10     4     1 AT      
#> # ... with 50 more rows

并使用spread重新进入宽幅格式。

df %>%
  gather(key = var, value = value, -id) %>%
  mutate(var = str_extract(var, "\\d+") %>% as.numeric()) %>%
  group_by(id) %>%
  mutate(pair = ceiling(var / 2)) %>% 
  group_by(id, pair) %>%
  summarise(combined = paste(value, collapse = "")) %>%
  mutate(var_combo = paste0("var", pair)) %>%
  select(-pair) %>%
  spread(key = var_combo, value = combined) %>%
  head()
#> # A tibble: 6 x 4
#> # Groups:   id [6]
#>      id var1  var2  var3 
#>   <int> <chr> <chr> <chr>
#> 1     1 AT    CC    AA   
#> 2     2 AT    CC    AA   
#> 3     3 AT    CC    AA   
#> 4     4 AT    CC    AA   
#> 5     5 AT    CC    AA   
#> 6     6 AT    CC    AA

^{由reprex包创建于2018-11-07（v0.2.1）}

Answer 4

使用base r你可以做到：

 a <- seq(2,ncol(df),2)
 b <- paste0(unlist(df[a]),unlist(df[a+1]))
 d <- data.frame(matrix(b,nrow(df)))
 result <- cbind(df[1],d)

这也可以写成一行：

(dat =  data.frame(matrix(paste0(unlist(df[a<-seq(2,ncol(df),2)]),unlist(df[a+1])),nrow(df))))
   X1 X2 X3
1  AT CC AA
2  AT CC AA
3  AT CC AA
4  AT CC AA
5  AT CC AA
6  AT CC AA
7  AT CC AA
8  AT CC AA
9  AT CC AA
10 AT CC AA
11 AA CG AG
12 AA CG AG
13 AA CG AG
14 AA CG AG
15 AA CG AG
16 AA CG AG
17 AA CG AG
18 AA CG AG
19 AA CG AG
20 AA CG AG

然后使用id列cbind：

cbind(df[1],dat)

Answer 5

df <- data.frame(id = seq(1,20),
                 var1 = rep("A", 20),
                 var2 = c(rep("T", 10), rep("A", 10)),
                 var3 = rep("C", 20),
                 var4 = c(rep("C", 10), rep("G", 10)),
                 var5 = rep("A", 20),
                 var6 = c(rep("A", 10), rep("G", 10)),
                 stringsAsFactors = FALSE)

df2 <- data.frame(id = df[,1], var1 = paste(df[,2], df[,3], sep = ""), 
                  var2 = paste(df[,4], df[,5], sep = ""), 
                  var3 = paste(df[,6], df[,7], sep = ""))