(incollatura) colonne

Question

Ho il seguente data.frame

Tipo Start End Strand Accesion1 Accesion2 
1 gene 197 1558  +  <NA> SP_0001 
2 CDS 197 1558  + NP_344554  <NA> 
3 gene 1717 2853  +  <NA> SP_0002 
4 CDS 1717 2853  + NP_344555  <NA> 
5 gene 2864 3112  +  <NA> SP_0003 
6 CDS 2864 3112  + NP_344556  <NA> 

ci sono valori più "Tipo", come tRNA, regione, esone o rRNA, ma sono solo interessati a combinare questi due , gene e CDS

e vorrei ottenere le seguenti

Start End Accesion1 Accesion2 
1 197 1558 NP_344554 SP_0001 

ma solo quando i valori di inizio e fine del gene e CDS coincidono. Ho cercato di utilizzare selezionare, organizzare e mutare con dplyr, ma è un po 'complicato per me, per sbarazzarsi di AN

Answer 1

Una versione dplyr con summarize_each:

DF %>% 
    group_by(Start, End) %>% 
    summarise_each(funs(max), Accesion1, Accesion2) 

Produce:

Source: local data frame [3 x 4] 
Groups: Start 

    Start End Accesion1 Accesion2 
1 197 1558 NP_344554 SP_0001 
2 1717 2853 NP_344555 SP_0002 
3 2864 3112 NP_344556 SP_0003 

Considerando una AccessionX varibles sono carattere (non funziona con il fattore), così come la condizione che Le coppie Start End contengono solo due valori, uno ciascuno di Tipo e Gene, come nel tuo set di dati.

Answer 2

Ecco una soluzione che utilizza aggregate():

df <- data.frame(Tipo=c('gene','CDS','gene','CDS','gene','CDS'), Start=c(197,197,1717,1717,2864,2864), End=c(1558,1558,2853,2853,3112,3112), Strand=c('+','+','+','+','+','+'), Accesion1=c(NA,'NP_344554',NA,'NP_344555',NA,'NP_344556'), Accesion2=c('SP_0001',NA,'SP_0002',NA,'SP_0003',NA)); 
df2 <- df[df$Tipo%in%c('gene','CDS'),c('Start','End','Accesion1','Accesion2')]; 
aggregate(df2[,c('Accesion1','Accesion2')], df2[,c('Start','End')], function(x) x[!is.na(x)]); 
## Start End Accesion1 Accesion2 
## 1 197 1558 NP_344554 SP_0001 
## 2 1717 2853 NP_344555 SP_0002 
## 3 2864 3112 NP_344556 SP_0003 

Precomputing df2 è necessaria caso ci sono file non-gene non-CDS nel data.frame originale; per aggregare correttamente solo il gene e le righe CDS, le righe non-gene non-CDS devono essere escluse da entrambi x e by. (Naturalmente, i dati di esempio hanno solo il gene e le righe CDS, quindi non è tecnicamente necessario per i dati di esempio.)

Questa soluzione presuppone che ogni volta che due righe hanno gli stessi valori Start e End, devono essere coppie di geni/CDS (al contrario di gene/gene o CDS/CDS).

Answer 3

Ecco un modo potenziale. Scegli le file con gene e CDS. Quindi, si raggruppano i dati per Inizio e Fine. Potrebbero esserci gruppi di START/END con 1 o 3+ righe. Quindi, assicurati di scegliere i gruppi START/END con due righe. Inoltre, vuoi assicurarti di avere sia gene che CDS (length(unique(Tipo)) == 2). Infine, si prende non NA elemento Accesion1 e Accesion 2.

filter(df, Tipo %in% c("gene", "CDS")) %>% 
group_by(Start, End) %>% 
filter(n() == 2 & length(unique(Tipo)) == 2) %>% 
summarise(Accesion1 = Accesion1[!is.na(Accesion1)], 
      Accesion2 = Accesion2[!is.na(Accesion2)]) 

Ecco un esempio di pseudo.

mydf <- structure(list(Tipo = structure(c(2L, 1L, 2L, 1L, 2L, 2L), .Label = c("CDS", 
"gene"), class = "factor"), Start = c(197, 197, 1717, 1717, 2864, 
2864), End = c(1558, 1558, 2853, 2853, 3112, 3112), Strand = structure(c(1L, 
1L, 1L, 1L, 1L, 1L), .Label = "+", class = "factor"), Accesion1 = structure(c(NA, 
1L, NA, 2L, NA, 3L), .Label = c("NP_344554", "NP_344555", "NP_344556" 
), class = "factor"), Accesion2 = structure(c(1L, NA, 2L, NA, 
3L, NA), .Label = c("SP_0001", "SP_0002", "SP_0003"), class = "factor")), .Names = c("Tipo", 
"Start", "End", "Strand", "Accesion1", "Accesion2"), row.names = c(NA, 
-6L), class = "data.frame") 


    Tipo Start End Strand Accesion1 Accesion2 
1 gene 197 1558  +  <NA> SP_0001 
2 CDS 197 1558  + NP_344554  <NA> 
3 gene 1717 2853  +  <NA> SP_0002 
4 CDS 1717 2853  + NP_344555  <NA> 
5 gene 2864 3112  +  <NA> SP_0003 
6 gene 2864 3112  + NP_344556  <NA> 


filter(mydf, Tipo %in% c("gene", "CDS")) %>% 
group_by(Start, End) %>% 
filter(n() == 2 & length(unique(Tipo)) == 2) %>% 
summarise(Accesion1 = Accesion1[!is.na(Accesion1)], 
      Accesion2 = Accesion2[!is.na(Accesion2)]) 

# Start End Accesion1 Accesion2 
#1 197 1558 NP_344554 SP_0001 
#2 1717 2853 NP_344555 SP_0002 

Answer 4

Si potrebbe provare

library(data.table) 
setDT(df1)[, id:=cumsum(Tipo == 'gene')][, 
    list(Accesion1=na.omit(Accesion1), Accesion2=na.omit(Accesion2)) , 
           list(id, Start, End)]