通过将函数应用于数据框中的另一列来创建新列

Question

这是我正在处理的数据的示例数据框。对于熟悉遗传数据格式的人来说，它基本上是一个经过修改的 VCF 文件。如果不是，则基本上每一行都包含基因组中可能存在变体的位置的信息。

samp <- structure(list(Chrom = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L), .Label = "chr12", class = "factor"), 
    Pos = c(8613204L, 8613412L, 8614238L, 8614506L, 8614652L, 
    8614669L, 8614768L, 8614951L, 8614986L, 8615225L, 8615809L, 
    8616149L, 8616392L), Ref = structure(c(1L, 1L, 4L, 3L, 3L, 
    3L, 2L, 3L, 2L, 4L, 2L, 4L, 3L), .Label = c("A", "C", "G", 
    "T"), class = "factor"), Alt = structure(c(3L, 2L, 2L, 1L, 
    1L, 1L, 3L, 1L, 1L, 3L, 4L, 2L, 4L), .Label = c("A", "C", 
    "G", "T"), class = "factor"), Info = c("AC=3913;AF=0.78135;AN=5008;NS=2504;DP=-128;EAS_AF=0.9921;AMR_AF=0.8357;AFR_AF=0.5779;EUR_AF=0.7366;SAS_AF=0.8466;AA=G|||;CSQ=G|ENSG00000205846|ENST00000382073|Transcript|intron_variant||||||||1||||||;GENCODE=ENST00000382073;FUNSEQ=0.1881", 
    "AC=4051;AF=0.808906;AN=5008;NS=2504;DP=-128;EAS_AF=0.9921;AMR_AF=0.8444;AFR_AF=0.6725;EUR_AF=0.7366;SAS_AF=0.8538;AA=C|||;CSQ=C|ENSG00000205846|ENST00000382073|Transcript|intron_variant||||||||1||||||;GENCODE=ENST00000382073;FUNSEQ=0.1881", 
    "AC=4021;AF=0.802915;AN=5008;NS=2504;DP=-128;EAS_AF=0.9921;AMR_AF=0.8415;AFR_AF=0.6558;EUR_AF=0.7376;SAS_AF=0.8466;AA=T|||;CSQ=C|ENSG00000205846|ENST00000382073|Transcript|intron_variant||||||||1||||||;GENCODE=ENST00000382073;FUNSEQ=0.7997", 
    "AC=3990;AF=0.796725;AN=5008;NS=2504;DP=-128;EAS_AF=0.9921;AMR_AF=0.8386;AFR_AF=0.6339;EUR_AF=0.7376;SAS_AF=0.8466;AA=A|||;CSQ=A|ENSG00000205846|ENST00000382073|Transcript|intron_variant||||||||1||||||;GENCODE=ENST00000382073;FUNSEQ=0.1881", 
    "AC=4069;AF=0.8125;AN=5008;NS=2504;DP=17188;EAS_AF=0.9921;AMR_AF=0.8487;AFR_AF=0.6528;EUR_AF=0.7714;SAS_AF=0.8599;AA=A|||;CSQ=A|ENSG00000205846|ENST00000382073|Transcript|intron_variant||||||||1||||||;GENCODE=ENST00000382073;FUNSEQ=0.0029", 
    "AC=4044;AF=0.807508;AN=5008;NS=2504;DP=-128;EAS_AF=0.9911;AMR_AF=0.8458;AFR_AF=0.6362;EUR_AF=0.7714;SAS_AF=0.8599;AA=G|||;CSQ=A|ENSG00000205846|ENST00000382073|Transcript|intron_variant||||||||1||||||;GENCODE=ENST00000382073;FUNSEQ=0.0029", 
    NA, NA, "AC=3795;AF=0.757788;AN=5008;NS=2504;DP=-128;EAS_AF=0.9653;AMR_AF=0.7954;AFR_AF=0.5651;EUR_AF=0.7167;SAS_AF=0.82;AA=c|||;CSQ=A|ENSG00000205846|ENST00000382073|Transcript|intron_variant||||||||1||||||;GENCODE=ENST00000382073;FUNSEQ=0.0029", 
    NA, "AC=4053;AF=0.809305;AN=5008;NS=2504;DP=-128;EAS_AF=0.9921;AMR_AF=0.8458;AFR_AF=0.6362;EUR_AF=0.7724;SAS_AF=0.8671;AA=C|||;CSQ=T|ENSG00000205846|ENST00000382073|Transcript|intron_variant||||||||1||||||;GENCODE=ENST00000382073;FUNSEQ=0.0029", 
    "AC=4076;AF=0.813898;AN=5008;NS=2504;DP=-128;EAS_AF=0.9921;AMR_AF=0.8473;AFR_AF=0.6528;EUR_AF=0.7724;SAS_AF=0.8671;AA=C|||;CSQ=C|ENSG00000205846|ENST00000382073|Transcript|intron_variant||||||||1||||||;GENCODE=ENST00000382073;FUNSEQ=0.0029", 
    "AC=4052;AF=0.809105;AN=5008;NS=2504;DP=-128;EAS_AF=0.9921;AMR_AF=0.8473;AFR_AF=0.6346;EUR_AF=0.7724;SAS_AF=0.8671;AA=T|||;CSQ=T|ENSG00000205846|ENST00000382073|Transcript|intron_variant||||||||1||||||;GENCODE=ENST00000382073;FUNSEQ=0.0029"
    ), TG_rs = c("rs10770739", "rs10770740", "rs4883148", "rs4883149", 
    "rs4883150", "rs4883151", NA, NA, "rs7303948", NA, "rs4242889", 
    "rs4883154", "rs4242890")), row.names = c(NA, -13L), .Names = c("Chrom", 
"Pos", "Ref", "Alt", "Info", "TG_rs"), class = "data.frame")

我想做的是从“信息”列中提取值。但是，此列中包含的信息对于每一行并不相同，并且并不总是以相同的顺序出现。因此，我想使用模式匹配来获取我感兴趣的值。

我编写了一个小函数来提取 Info 列中包含的各种“超级群体”（例如 AMR、AFR、EUR、SAS、EAS）的“等位基因频率”（AF）。

extractAF <- function(pop, vec) {
  info <- unlist((strsplit(vec, ";", fixed=TRUE)))
  AF <- as.numeric(unlist(strsplit((info[grep(pop, (unlist((strsplit(vec, ";", fixed=TRUE)))))]), "=", fixed=TRUE))[2])
  return(AF)
}

此函数需要两个参数：'pop' 是一个字符串，它指定要提取哪个超级群体，以及'vec'，它旨在获取我的数据框的 Info 列。

当传递单个向量时，该函数按预期工作：

extractAF("AFR_AF", samp[1,'Info'])
#[1] 0.5779

extractAF("AFR_AF", samp[5,'Info'])
#[1] 0.6528

但是，我希望对数据框的每一行执行此操作并创建一个包含数据的新列。当我使用 dplyr 的 mutate 函数时，我会得到一个相同值的列：

library("dplyr")
mutate(samp, AFR_AF = extractAF("AFR_AF", Info))

我读过一篇文章（我现在似乎找不到，否则我会参考它）说 mutate 是一次传递所有行，而不是我需要的逐行传递。

所以我根据这个post尝试了以下几种其他方法：

apply(samp[,'Info'], 1, function(x) extractAF("AFR_AF", x))

apply(samp[, "Info"], 1, function(x) extractAF("AMR_AF", x)) 中的错误： dim(X) 的长度必须为正

samp[, extractAF("AMR_AF", Info), by = .I]

[.data.frame(samp, , extractAF("AMR_AF", Info), by = .I) 中的错误： 未使用的参数（by = .I）

samp[, extractAF("AMR_AF", Info), by = 1:nrow(samp)]

Error in `[.data.frame`(samp, , extractAF("AMR_AF", Info), by = 1:nrow(samp)) : 
  unused argument (by = 1:nrow(samp))

#

更新

在下面的 INFO 列中包含 NA 和 AF=0 的其他示例数据集：

结构（列表（CHROM = c（“chr1”，“chr1”，“chr1”，“chr1”，“chr1”， "chr1"), POS = c(16090898L, 16091074L, 16091583L, 16092212L, 16093560L, 16093639L), ID = c("rs6429774", "rs6429776", NA, “rs74528955”，“rs904912”，NA），REF = c（“G”，“A”，“T”，“C”，“T”，“C”）， ALT = c("A", "G", "A", "T", "A", "T"), QUAL = c(NA, NA, NA, NA, NA, 不适用），过滤器 = c（不适用，不适用，不适用，不适用，不适用，不适用），信息 = c("AC=1606;AF=0.320687;AN=5008;NS=2504;DP=21565;EAS_AF=0.1419;AMR_AF=0.2983;AFR_AF=0.525;EUR_AF=0.3509;SAS_AF=0.2137;AA=G|||; CSQ=A|ENSG00000162458|ENST00000441801|成绩单|upstream_gene_variant|||||||96|1||||||;ERB=A||proximal_1216|Regulatory_Feature|proximal_enhancer;FUNSEQ=0.3335", "AC=1690;AF =0.33746;AN=5008;NS=2504;DP=20247;EAS_AF=0.1498;AMR_AF=0.3012;AFR_AF=0.5681;EUR_AF=0.3549;SAS_AF=0.227;AA=G|||;CSQ=G|ENSG00000162458|ENST00000441801成绩单|5_prime_UTR_variant|81|||||||1||||||;ERB=G||proximal_1216|Regulatory_Feature|proximal_enhancer;FUNSEQ=0.3335", NA, "AC=8;AF=0.00159744;AN=5008;NS=2504;DP=19197;EAS_AF=0.0079;AMR_AF=0;AFR_AF=0;EUR_AF=0;SAS_AF=0;AA=C|||;CSQ= T|ENSG00000162458|ENST00000441801|Transcript|intron_variant|||||||1|||||;GENCODE=ENST00000441801;ERB=T||proximal_1216|Regulatory_Feature|proximal_enhancer;FUNSEQ=0.3335", "AC=3282; AF=0.655351;AN=5008;NS=2504;DP=14721;EAS_AF=0.8343;AMR_AF=0.6916;AFR_AF=0.4259;EUR_AF=0.6531;SAS_AF=0.7577;AA=A|||;CSQ=A|ENSG00000162458|ENST00000441 |成绩单|intron_variant|||||||1||||||;GENCODE=ENST00000441801;FUNSEQ=0.1483", "AC=5;AF=0.000998403;AN=5008;NS=2504;DP=14736;EAS_AF=0.003;AMR_AF=0;AFR_AF=0;EUR_AF=0;SAS_AF=0.002;AA=C|||;CSQ= T|ENSG00000162458|ENST00000441801|成绩单|intron_variant|||||||1|||||;GENCODE=ENST00000441801;FUNSEQ=0.1483" )), row.names = 14:19, class= "data.frame", .Names = c("CHROM", “POS”、“ID”、“REF”、“ALT”、“QUAL”、“FILTER”、“INFO”））

Answer 1

您可能不需要这些公式，因为 sub 已矢量化。首先创建一个包含所有可能代码的变量，例如（AFR、AMR、EUR 等）。使用该向量创建搜索模式以遍历 Info 列并返回包含所有匹配项的新数据框：

all_pop <- c("AMR_AF", "AFR_AF", "EUR_AF", "SAS_AF", "EAS_AF")
pat <- paste0(".*\\b", all_pop, "=(\\d+(\\.\\d+)?)\\b.*")

out <- sapply(pat, sub, "\\1", samp$Info)
newdf <- setNames(as.data.frame(out), all_pop)
#      AMR_AF AFR_AF EUR_AF SAS_AF EAS_AF
#   1  0.8357 0.5779 0.7366 0.8466 0.9921
#   2  0.8444 0.6725 0.7366 0.8538 0.9921
#   3  0.8415 0.6558 0.7376 0.8466 0.9921
#   4  0.8386 0.6339 0.7376 0.8466 0.9921
#   5  0.8487 0.6528 0.7714 0.8599 0.9921
#   6  0.8458 0.6362 0.7714 0.8599 0.9911
#   7    <NA>   <NA>   <NA>   <NA>   <NA>
#   8    <NA>   <NA>   <NA>   <NA>   <NA>
#   9  0.7954 0.5651 0.7167   0.82 0.9653
#   10   <NA>   <NA>   <NA>   <NA>   <NA>
#   11 0.8458 0.6362 0.7724 0.8671 0.9921
#   12 0.8473 0.6528 0.7724 0.8671 0.9921
#   13 0.8473 0.6346 0.7724 0.8671 0.9921