[英]Combine two columns of a dataframe and then compare
我有一個 3 列和 859 行的 dataframe。 dataframe 就像
df1:
MacroNode Prefix Suffix
AAACCGCCAATATCTCGACGAGAAAAGCGAC GCCAACTGGATAACCACGCCCTG GCCAACTGGATAACCACGCCC
ATTTCTGCGAGGTGCAGGGCAATTACATCAT TAGGCCTT AAAACCCTTGGAA
這些基本上是圖的節點和前綴和后綴邊:
macronode + suffix = prefix of next macronode + that next macronode
我必須看看這個數據框中存在的行可以實現的最大拉伸是多少。 因此,我認為首先我必須合並行然后進行比較。 但我無法理解如何做到這一點。 歡迎任何想法。
預期結果
我在這里給出一個簡短的 dataframe
玩具df:
MacroNode Prefix Suffix
GC T A
CA G C
AC C T
CT A A
正如您在此處看到的,如果您將宏節點的字符與第一行的后綴字符(GC + A)相同,則它等於下一行的前綴字符 + 下一行的宏節點的字符(G + CA)。
但是在我的 dataframe 中,不能保證行是連續的,就像我提到的玩具示例中一樣。
然后 output 應如下所示 最大連續路徑為:TGCAGCACCACTACTA,即 16 個字符。
原dataframe前幾行:
MacroNode Prefix
1. AAACCGCCAATATCTCGACGAGAAAAGCGAC GCCAACTGGATAACCACGCCCTGAGACTCAAGGGCGT
2. AAACTTCTGCCGGAATATAAAGCCGCGCCGG AGCAAAGCGCGCCACTTCACCCTGAGCTT
3. AAAGCATTGTGGCCGGAACCGATGACGCGCC CGGCGTCCCCTGGATGATGGCTTT
4. AACACCACGCTGGAGATGGTTGCTGAACGTG AAATTATTAGAATTACAAGGGATTGCC
5. AACCAGAGCGTTCTGTTACGTGATGTGAACG AAGTTGCGCCGGGTAGGCGTTACTTTGCTG
6. AACGAAGTTCAGCCGCGTGCGAACGGTCAGG GGTATACGCTTCTGCTTCACGAATGTATTGCTGTT
7. AACTCGGGGCTCGGTCAGCACACCACGACCG AAAGAGATCCTGACCAACGATATCTCTGAC
8. AAGCGGTTGAGGAAGGGAAAATCGCGGAAAC ACCGATCCGGGCTGCGCTATCCGGG
9. AAGGCGCTCGTTGATGAACTGGAGCTGGCGC AATTTCGCGTTGCAGTCTGACTCTGCACGTCTT
10. AATATCGACCAGCAATTCGCCTAAAAAGAAG CCGCTGCCCGTGGATCAACCAGT
11. AATCCACACGTTCAGCAACCATCTCCAGCGT ATCCACTGGACGAGCTACGCCGCTT
12. AATCGCGATATTTACACAGACCTAAATAGTC
GCAAACACGATACCGATCCGGGCTGCGCTATCCGGGAAGCGGT
13. AATTTCCGGCGCGGCTTTATATTCCGGCAGA ACAGACGCTCGCGAGT
14. ACCACCCAGCACGATGCCAGAAATCAGTGGG AAACAGCGGCTCTCCACTGCCAGAGCAT
15. ACCAGCGTGCCTTCCATCATGTTCATTGCTA GCAGATCCGTGCTAACGCGGTCGTT
16. ACTGTTCCGGCGTGGCATTAGGTGTTGATCG CAGGCATACCGACTT
17. CCCTGGCCGTTTGCTTCGGCTTCGTGCTGGG ACTCTGGGTGTTG
Suffix
1. TAATGCCCTGATGCACGGCACC
2. GTCTCGATATACAGACGCTCGCGAGTAATTT
3. ATCCCCATCGCATTCA
4. TGGATTATCCACTGGACGAGCTACG
5. ATAACGCACAAACGCTGGCAAACCTGA
6. TTGTACGCACGCGCCTCTTCGAGGATACGTTGCG
7. C
8. CCGTTTCGAAAACTATC
9. AGCTGTCTGCCAATAA
10. TCAATCGCGAGGCCGGTTCGTT
11. AGGGATTGCCAACACC
12. CTCAGGGCTTTGTCGAATTCCAT
13. AGTTTAGCAAAGCGCGCCACTTCACCCTGAGCTTCCAGG
14. CCATGCGTGCTGCCAATGTA
15. GCTGGATATTCTGGTTGATGATGGTCATGTTCGCGGCCTGG
16. CAACGCTAAAGGCGATGACTTCAGCCAGTGTCTCCGCGCCCAGCGCCAACATCACCAGA
17. TAGCTTCATGCTGTAATGATCAATCGCGGGGC
我已經單獨編寫了后綴列,因為它不適合在同一行中。
由於需求被澄清了幾次,我將發布一個基於圖論的新解決方案(實際上,這個想法屬於@Martin Wettstein,請參閱問題評論)。 當然,在循環圖的情況下可能會出現問題,但這將是另一個問題。
該腳本從鄰接矩陣創建圖形並計算通過圖形的最長路徑(直徑)。
由於提供的真實數據子集不包含連續序列,我將使用先前版本答案中的虛擬數據。
library(dplyr)
library(igraph)
dat_txt <- "MacroNode Prefix Suffix
GC T A
CA C C
AC C T
CT A A
GC T A
CA G C
AC C T
CT A A"
# Concat strings
dat <- read.table(text = dat_txt, header = TRUE)
res <- dat %>%
mutate(cur = paste0(MacroNode, Suffix),
follow = paste0(Prefix, MacroNode),
full = paste0(Prefix, MacroNode, Suffix))
# Prepare adjacency matrix
edge_mat <- outer(seq_len(nrow(res)), seq_len(nrow(res)), function(r, c) {
return(res[r, "cur"] == res[c, "follow"])
})
# Construct graph
res_g <- graph_from_adjacency_matrix(edge_mat)
# Get the path with maximum length
g_diam <- get_diameter(res_g)
# Concatenate longest path
long_seq <- paste(res[g_diam, "full"], collapse = "")
這是一個結果:
> long_seq
[1] "TGCAGCACCACTACTA"
不確定我是否理解,但將所有三個 cols 合並為一個,您可以使用它:
df1$newcol -> paste0(MacroNode, Prefix, Suffix)
如果你想在每個之間有一個空格:
df1$newcol -> paste0(MacroNode, " ",Prefix, " ",Suffix)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.