Ho un frame di dati che è di circa 35.000 righe, di 7 colonne. sembra che questo:lapply e do.call funzionano molto lentamente?
testa (NUC)
chr feature start end gene_id pctAT pctGC length
1 1 CDS 67000042 67000051 NM_032291 0.600000 0.400000 10
2 1 CDS 67091530 67091593 NM_032291 0.609375 0.390625 64
3 1 CDS 67098753 67098777 NM_032291 0.600000 0.400000 25
4 1 CDS 67101627 67101698 NM_032291 0.472222 0.527778 72
5 1 CDS 67105460 67105516 NM_032291 0.631579 0.368421 57
6 1 CDS 67108493 67108547 NM_032291 0.436364 0.563636 55
gene_id è un fattore, che ha circa 3.500 livelli unici. Voglio, per ogni livello di gene_id ottenere min(start)
, max(end)
, mean(pctAT)
, mean(pctGC)
e sum(length)
.
Ho provato ad usare lapply e do.call per questo, ma ci vogliono sempre +30 minuti per funzionare. il codice che sto utilizzando è:
nuc_prof = lapply(levels(nuc$gene_id), function(gene){
t = nuc[nuc$gene_id==gene, ]
return(list(gene_id=gene, start=min(t$start), end=max(t$end), pctGC =
mean(t$pctGC), pct = mean(t$pctAT), cdslength = sum(t$length)))
})
nuc_prof = do.call(rbind, nuc_prof)
Sono certo che sto facendo qualcosa di sbagliato per rallentare questo giù. Non ho aspettato che finisse perché sono sicuro che può essere più veloce. Qualche idea?
Usa 'tapply' - questo potrebbe essere più veloce. – Andrie