在r中创建一个计数表（矩阵）

Question

我正在尝试从一系列已转换为数据框的列表中开发一个表。 每个列表由字符串及其计数组成。 每个字符串在7到20（或更多）之间变化。 每个列表都有一个标头，用于标识字符串的来源。 我有66个列表（来源）。 每个列表包含5,000多个字符串。 并非每个列表中都包含每个字符串，因此列表中的字符串数会有所不同。 这是单个列表结构的示例。

$PreAg_18_2

CDR3.aa         Clones
 <chr>            <int>
CASSYGTAYTGELFF   1623
CASSRGDSDNSPLHF   1440
CASSREKAFF        1161
CSGMGALAKNIQYF     949
CSAYTGLSYEQYF      813
CASSLSLAVNSPLHF    634
CAIRDTPGSPQHF      574
CATGQVNTEAFF       555
CASSLKGQGGSPLHF    499
CASSYSRSPQPQHF     478

我想将结果合并到一个表中，该表显示计数（克隆）以及y轴上列出的所有字符串（CDR3.aa）和x轴上的每个列表标头（Sample.Id）。 一个例子是：

            10_pep_10_1     preAg_10_2      Dec_2_18_1  …... 
CASSYGTAYTGELFF    1623         234             0
CASSRGDSDNSPLHF    1440         522             28
CASSREKAFF         1161         445             50  
CSGMGALAKNIQYF      949         24              0
CASSYSRSPQPQHF      478         0               398
.
.

我能够生成包含示例中的的单个列表，并且我认为将列表转换为数据框是一种更好的操作它们的方法，但是在将它们与单个列表合并时遇到了麻烦所有字符串，然后将sample.id移至x轴。 我在想我取消列出所有字符串并将它们连接到一个df中，但是我不确定如何使计数与字符串匹配。 R中是否有功能可以帮助我做到这一点？ 还是不可避免地要形成循环？

到目前为止，我已经能够生成字符串的全局列表，但是现在我需要按标头（sample.id）匹配计数。 不知道如何解决这个问题。

    library(immunarch)
    library(stringr)
    library(plyr)

    immdata = repLoad("/mnt/data/Development/Analysis_Script/input_files/")

    all <- immdata$data

    # Get list headers (names)
    sample.id <- names(all)

    # make new variable for extraction of clones
    all.c <- all

    # Get list of clones and filter for unique clones per list.
    for (i in 1:length(all.c)){
        all.c[[i]]$Sample.ID<-names(all.c)[i]
        all.c[[i]]<-all.c[[i]][,c("CDR3.aa", "Clones")]
    }


    # bysamp is a list (vector) of the samples and their clones
    bysamp <- split(all.c, sample.id, sep=" ")

    # make vector of all clones
    all.clones <- unlist(all.c, use.names=FALSE)

    # a list of the aggregate of all the clones in all the samples.
    all.clones

    # Removes clone repeats
    all.clones.u <- unique(all.clones)

    # convert list of clones and sample.ids to data frame
    all.clones.u <- data.frame(all.clones.u)
    sample.id <- data.frame(sample.id)

    # Addtional code here:

有关预期矩阵，请参见上面的摘要（表）

Answer 1

这是根据我对数据结构的最佳猜测得出的解决方案（听起来很熟悉，因为我被免疫学家包围）。 关键是向每个源添加一个变量，以跟踪该源。 然后，可以将源（列表/数据框架）组合为单个数据框架并进行进一步处理。

首先，为可重现的示例设置一个随机数种子。

  set.seed(1234)

创建简化的人工数据集。 这将包含6个来源（list / data.frames）。 每个data.frame具有两个名为aa和clones变量。 从A，B和C中随机选择的三个字母分别作为12个可能的aa值中的CDR3氨基酸。 每个克隆的计数存储在clones ，并设置为10到20之间的随机数。最后，为6个list / data.frames中的每一个命名。 我使用的是source_1，source_2等，而不是“ 10_pep_10_1”。

希望这可以复制您面对的数据。 通过仅使用3种可能的氨基酸，此示例可确保同一序列在不同列表中多次出现的可能性很高。

# generate sample data
  spl <- replicate(6, { # the braces '{}' define an expression to be repeated
      n <- 12 # number of aa values in each list
      aa <- replicate(n,
        paste(sample(LETTERS[1:3], 3, replace = T), collapse = ""))
      clones <- sample(10:20, n, replace = T)
      data.frame(aa, clones)}, # this is the 'return' value of the expression
    simplify = FALSE) # this ensures that the result remains as a list

# name each list
  names(spl) <- paste("source", seq_along(spl), sep = "_")

检查6个data.frame中的第一个。

  head(spl$source_1)
>    aa clones
> 1 ABB     12
> 2 BCB     12
> 3 AAB     20
> 4 BCB     18
> 5 ACA     16
> 6 CAA     17

向每个包含源名称的list / data.frame中添加一个名为source的新变量。 使用简单的for循环即可轻松完成此操作。 在第一个data.frame中显示更改。

  for (i in seq_along(spl)) spl[[i]]$source <- names(spl)[i]

  head(spl$source_1) # or head(spl[[1]])
>    aa clones   source
> 1 ABB     12 source_1
> 2 BCB     12 source_1
> 3 AAB     20 source_1
> 4 BCB     18 source_1
> 5 ACA     16 source_1
> 6 CAA     17 source_1

现在，将每个list / data.frame组合到一个data.frame中，变量source跟踪哪个list / data.frame贡献了值。 然后使用基本函数计算每个肽段（ aa ）和source的数量（ clones ）。 存储在res的结果是另一个data.frame。 由此将生成一个列联计数表。 通常，这被合并为一个步骤。 有关更多信息，请参见help aggregate()文件。 此类数据整理的一种流行方法是使用dplyr软件包。

  dat <- do.call(rbind, spl)

  res <- aggregate(clones ~ aa + source, dat, sum)
  tbl <- xtabs(clones ~ aa + source, res)

# this operation is rather common and often is done in one line:
  tbl <- xtabs(clones ~ ., aggregate(clones ~ ., dat, sum))

  head(tbl, 10)
>      source
> aa    source_1 source_2 source_3 source_4 source_5 source_6
>   AAA       29        0       46        0        0       14
>   AAB       20        0        0        0        0        0
>   ABB       12       14       13        0        0        0
>   ACA       16       23       16        0        0        0
>   ACB       13       19       15        0        0        0
>   BAA       17        0        0       55       16       33
>   BAC       15       19       19        0       34        0
>   BCB       30        0        0       68       38       15
>   CAA       17       11        0        0        0        0
>   CCA       15        0        0        0        0        0

表中条目的顺序很简单，即rbind期间继承的顺序。 可以通过重新组织表格来改变它。 在此，对行进行排序。

  ord <- order(rownames(tbl))
  head(tbl[ord,], 10)
>      source
> aa    source_1 source_2 source_3 source_4 source_5 source_6
>   AAA       29        0       46        0        0       14
>   AAB       20        0        0        0        0        0
>   AAC        0       19       19        0        0       31
>   ABA        0       11        0        0       15       18
>   ABB       12       14       13        0        0        0
>   ACA       16       23       16        0        0        0
>   ACB       13       19       15        0        0        0
>   ACC        0       11       16        0       15        0
>   BAA       17        0        0       55       16       33
>   BAB        0       15        0        0        0        0