R：使用“ for-loop”（遍歷多列）創建多個矩陣，以分隔“：”定界的VCF文件

Question

我為什么要問這個？

似乎很多人在拆分VCF文件和使用for循環遍歷列時都遇到問題，但是我沒有遇到任何與使用包含多個示例的VCF文件相關的方法來解決這兩個問題-將會解釋。

這是數據結構的示例 ：

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

問題是如何在許多位點（行）和多個樣本（列）上創建具有許多輸出統計信息（每個均由“：”分隔）的直觀表？

我已經設法解決了這個問題的一半 ：

我開發了一個R腳本，該腳本可以從單個示例列中獲取信息，並輸出一個將每個單獨的統計信息分開的矩陣。 代碼如下：

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，輸出：

     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" 

“循環”問題 ：

輸出是完美的，但是現在我無法解決這個問題，我不知道該如何創建一個包含以上代碼的for循環，以便為每個樣本創建單獨的矩陣。 我說：

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..]
}       

問題是我需要創建自定義的單個變量來為每個樣本（即列）設置每個矩陣。 但是，R不會將[i]用作占位符，其中i =樣本（/列）名稱。

理想情況下，每個樣本（/列）特定的變量應讀為：“ splitSample1”，“ splitSample2”，“ splitSample3”等。這主要是為了允許for循環處理所有列，而不必重新創建針對每個列的代碼列名。 我猜我想做的是從Linux重新創建“ $ i”語法，但是顯然在這里不起作用。

解決此問題將使處理非常大的數據集更加容易管理，我確實嘗試了尋找解決方法。 任何幫助深表感謝！

Answer 1

我認為最好將結果存儲在data.frame或data.table ，因為每個拆分列的class類型都不同。 matrix只能存儲一個類。 如果只有一個character列，則該類將成為所有columns character 。

使用data.table的devel版本，我們可以使用tstrsplit拆分為列，並使用type.convert=TRUE更改class 。 開發版本可以從here安裝

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

如果數據集中有多個“樣本”列，我們可以使用lapply遍歷這些列，並在列表中創建拆分數據集（“ 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”中工作會更容易，但是如果我們需要在全局環境中使用單獨的數據集對象（不推薦），則可以使用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：在這里，我將輸入數據集用作data.frame。

數據

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))