[英]R: How to recode values based on first characters 0|0 vs 1|0 vs 0|1 vs 1|1
预先感谢您的帮助。
我正在尝试重新编码一个包含以 VCF 格式编码的基因型的基因数据库。 对于上下文,VCF 格式以这种格式编码:'0|0:0,0:0:1,0,0'。 我最感兴趣的是前两个(/三个如果包括|)字符: 0|0 :0,0:0:1,0,0。 如果这些为 0|0,则意味着该人具有两个显性等位基因。 如果这些是 1|1,则两个隐性等位基因。 1|0 和 0|1 是两者的混合。
我正在研究一个名为“gg”的数据框,它包含大约 120 列(每个 SNP 一个)和 1500 行(研究中的每个主题一个)。
我正在尝试将 SNP 从其当前格式重新编码为更易于分析的格式:
我尝试了几种方法。 我最近尝试的事情已经接近了。 我尝试了以下方法:
gg[grep("0|0", gg)] <- "0"
奇怪的是,这使得整个数据库的所有值都为 0。 我认为这是因为它将 0|0 解释为“如果值包含零或零,则重新编码为零”(并且所有值都至少包含一个零)。
我想传达的是,如果值以 EXACT 字符 0|0 开头,则重新编码为 1,如果它以 0|1 或 1|0 的 EXACT 字符开头,则重新编码为 1,如果它以 EXACT 开头,则重新编码为 2 1|1 的字符
试试下面的代码
colSums(list2DF(strsplit(substr(gsub("\\|","",gg),1,2),""))=="1")
这使
0 1 1 2
虚拟数据
gg <- c('0|0:0,0:0:1,0,0','10:0,0:0:1,0,0','0|1:0,0:0:1,0,0','11:0,0:0:1,0,0')
稍作修改的选项是
rowSums(read.csv(text = sub("^(\\d)\\|?(\\d).*", "\\1,\\2", gg),
header = FALSE) == 1)
#[1] 0 1 1 2
gg <- c('0|0:0,0:0:1,0,0','10:0,0:0:1,0,0','0|1:0,0:0:1,0,0','11:0,0:0:1,0,0')
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.