Utilizzo della funzione split per raggruppare un dataframe per fattore, alternative per i dataframes grandi

Question

Ho una domanda sull'utilizzo della funzione split per raggruppare i dati per factor.

Ho un frame dati di due colonne snps e gene. Snps è un fattore, gene è un vettore di caratteri. Voglio raggruppare i geni per il fattore snp in modo da poter vedere una lista di geni che mappano ogni snp. Alcuni snp possono mappare a più di un gene, ad esempio le mappe rs10000226 al gene 345274 e il gene 5783, ei geni si verificano più volte.

Per fare ciò ho usato la funzione di divisione per creare un elenco di geni a cui ogni mappa snp.

snps<-c("rs10000185", "rs1000022", "rs10000226", "rs10000226") 

gene<-c("5783", "171425", "345274", "5783") 

df<-data.frame(snps, gene) # snps is a factor 

df$gene<-as.character(df$gene) 

splitted=split(df, df$gene, drop=T) # group by gene 

snpnames=unique(df$snps) 

df.2<-lapply(splitted, function(x) { x["snps"] <- NULL; x }) # remove the snp column 

names(df.2)=snpnames # rename the list elements by snp 

df.2 = sapply(df.2, function(x) list(as.character(x$gene))) 

save(df.2, file="df.2.rda") 

Tuttavia questo non è efficace per il mio pieno dataframe (probabilmente a causa delle sue dimensioni - 363422, 281370 file SNP unici, 20888 geni unici) e si blocca R mentre sta cercando di caricare df.2.rda` in seguito.

Qualsiasi suggerimento per modi alternativi di fare questo sarebbe molto apprezzato!

Answer 1

C'è una via più breve per creare la tua df.2:

genes_by_snp <- split(df$gene,df$snp) 

Potete guardare i geni per un dato SNP con genes_by_snp[["rs10000226"]].

---

Il set di dati non sembra così grande per me, ma si potrebbe evitare la creazione di lista di cui sopra memorizzando i dati originali in modo diverso. Ampliando @ commento di AnandoMahto, ecco come utilizzare il pacchetto data.table:

require(data.table) 

setDT(df) 
setkey(df,snps) 

Potete guardare i geni per un dato SNP con df[J("rs10000226")].