如果大数据集R中的物种名称不同，如何保留名称的第一部分

Question

我必须清理 R 中的数据表，但我卡在一个点

我正在搜索如何通过保留物种名称的第一部分（在“_”之前并添加“.sp”）来在表格中具体化，如果它不具体的话。

如果我给你一个例子会更好：

我有一张这样的桌子：

reads |            species
ST311 | cylindrotheca_closterium 
ST311  | cylindrotheca_fusiformis
ST311  | cylindrotheca_fusiformis
ST311 | cylindrotheca_fusiformis
ST311  | cylindrotheca_closterium
ST312 | alexandrium_minutum
ST317 |pseudo.nitzschia_australis

最后，我只需要相同读数和同一属的不同物种，这里以它的 cylindrotheca 为例：对于这个阅读“ST311”的所有物种，输入：“cylindrotheca_sp”。

如果读取是特定的，例如 ST312 用于 alexandrium minutum 和 ST317 用于伪 nitzschia australis 我想保留它。

这是我期望的表：

reads |            species
ST311 | cylindrotheca_sp 
ST311  | cylindrotheca_sp
ST311  | cylindrotheca_sp
ST311 | cylindrotheca_sp
ST311  | cylindrotheca_sp
ST312 | alexandrium_minutum
ST317 |pseudo.nitzschia_australis

我是这么想的：（我知道它错了......但是有这个想法）

TEST <-prim51test %>% 
  group_by(read) %>%
  if(species > 1){
  print == "*_sp"
  }

（我有一个包含很多不同物种的大数据集）

我该怎么做？

感谢您的帮助

Answer 1

您可以使用sub 删除下划线后的所有内容并替换为'_sp'。

df$new_species <- sub("_.*", "_sp", df$species)
df

#  reads                  species      new_species
#1 ST311 cylindrotheca_closterium cylindrotheca_sp
#2 ST311 cylindrotheca_fusiformis cylindrotheca_sp
#3 ST311 cylindrotheca_fusiformis cylindrotheca_sp
#4 ST311 cylindrotheca_fusiformis cylindrotheca_sp
#5 ST311 cylindrotheca_closterium cylindrotheca_sp

---

对于更新的条件，您可以尝试：

library(dplyr)

df %>%
  add_count(reads) %>%
  mutate(species = ifelse(n > 1, sub("_.*", "_sp", species), species)) %>%
  select(-n) -> df
df

#  reads                   species
#1 ST311          cylindrotheca_sp
#2 ST311          cylindrotheca_sp
#3 ST311          cylindrotheca_sp
#4 ST311          cylindrotheca_sp
#5 ST311          cylindrotheca_sp
#6 ST312       alexandrium minutum
#7 ST314 pseudonitzschia_australis

数据

df <- structure(list(reads = c("ST311", "ST311", "ST311", "ST311", 
"ST311"), species = c("cylindrotheca_closterium", "cylindrotheca_fusiformis", 
"cylindrotheca_fusiformis", "cylindrotheca_fusiformis", "cylindrotheca_closterium"
)), class = "data.frame", row.names = c(NA, -5L))

Answer 2

如果我理解正确，您希望为每个 read 替换后缀是唯一的那些物种的名称（即后缀）。

首先，您可以使用gsub 在 pre 上创建一个表格，就足够了。这在这里给出了一个 3x2x2 数组A，我们使用> 1 将其转换为逻辑类。从colSums cs，我们想知道rownames 中的哪一列的值1。给出一个命名匹配向量m，我们通过Map 在reads 和species 上发送该向量，其中我们使用<<- 将匹配的后缀替换为"_sp" .

A <- with(d, table(gsub(".*_", "", species), gsub("_.*", "", species), reads)) > 1
(cs <- colSums(A, 3))
#              reads
#               ST311 ST312
# ceratoneis        1     0
# cylindrotheca     2     1
m <- apply(cs, 2, function(x) rownames(cs)[which(x == 1)])
invisible(Map(function(i, j) {
  d$species[d$reads %in% i & grepl(j, d$species)] <<- paste0(j, "_sp")
  }, names(m), m))
d
#    reads                  species
# 1  ST311 cylindrotheca_closterium
# 2  ST311 cylindrotheca_fusiformis
# 3  ST311 cylindrotheca_fusiformis
# 4  ST311 cylindrotheca_fusiformis
# 5  ST311 cylindrotheca_closterium
# 6  ST311            ceratoneis_sp
# 7  ST311            ceratoneis_sp
# 8  ST312     ceratoneis_reimannii
# 9  ST312         cylindrotheca_sp
# 10 ST312    ceratoneis_closterium
# 11 ST312         cylindrotheca_sp
# 12 ST312         cylindrotheca_sp

---

数据：

注意：我随意扩展了数据以准备代码以获得最佳可伸缩性。

d <- structure(list(reads = c("ST311", "ST311", "ST311", "ST311", 
"ST311", "ST311", "ST311", "ST312", "ST312", "ST312", "ST312", 
"ST312"), species = c("cylindrotheca_closterium", "cylindrotheca_fusiformis", 
"cylindrotheca_fusiformis", "cylindrotheca_fusiformis", "cylindrotheca_closterium", 
"ceratoneis_reimannii", "ceratoneis_reimannii", "ceratoneis_reimannii", 
"cylindrotheca_fusiformis", "ceratoneis_closterium", "cylindrotheca_fusiformis", 
"cylindrotheca_fusiformis")), class = "data.frame", row.names = c(NA, 
-12L))