如何使用 R 對不同列中重復鍵的字符串值進行排列、分組和集中

Question

我有一個包含 10 列的蛋白質域的 HMMSCAN 結果文件。 請參閱 CSV 文件的鏈接。

https://docs.google.com/spreadsheets/d/10d_YQwD41uj0q5pKinIo7wElhDj3BqilwWxThfIg75s/edit?usp=sharing

但我希望它看起來像這樣：-

1BVN:P|PDBID|CHAIN|SEQUENCE      Alpha-amylase      Alpha-amylase_C    A_amylase_inhib
3EF3:A|PDBID|CHAIN|SEQUENCE      Cutinase           
3IP8:A|PDBID|CHAIN|SEQUENCE      Amdase
4Q1U:A|PDBID|CHAIN|SEQUENCE      Arylesterase
4ROT:A|PDBID|CHAIN|SEQUENCE      Esterase           
5XJH:A|PDBID|CHAIN|SEQUENCE      DLH
6QG9:A|PDBID|CHAIN|SEQUENCE      Tannase            

應將第 3 列的重復條目分組，並將其在不同行中的第 1 列的對應值排列在不同的列中。

這是我寫到現在的：

df <- read.csv ("hydrolase_sorted.txt" , header = FALSE, sep ="\t")
new <- df %>% select (V1,V3) %>% group_by(V3) %>% spread(V1, V3)

我希望我對問題陳述很清楚。 提前致謝！！

Answer 1

您的輸入數據集有兩個不規則行。 但是，您的解決方案中的方法是正確的，但還需要一個步驟：

library(dplyr)
df %>% select(V3,V1) %>% group_by(V3) %>% mutate(x = paste(V1,collapse=" ")) %>% select(V3,x)

我們在這里所做的只是通過V3集中字符串。 在此解決方案中運行上述代碼之前，您應該手動預處理和修復一些不正確的行。 行（TIM、Dannase 和 DLH）。 為此，您可以使用 Excel 中的將文本轉換為列function。

定義的所需步驟如下。 有問題的列以黃色突出顯示：

對不起，我的 Excel 的非英文界面，但方式是不言自明的。