R - 将数据框行分成两行答案

【问题标题】：R - Split data frame row into two rowsR - 将数据框行分成两行
【发布时间】：2015-09-01 15:24:30
【问题描述】：

我有 2 个表格（数据和参考；下面的玩具示例）。这些表具有我想检查重叠的 START 和 END 位置（使用 data.table 包中的 foverlaps 之类的东西），然后拆分值，如下所示。

>data  <- data.table(ID=c(1,2,3), Chrom=c(1,1,2), Start=c(1,500,1000), End=c(900,5000,5000), Probes=c(899,4500,4500))
>Ref.table <- data.table(Chrom=c(1,2), Split=c(1000,2000))

>Ref.table
Chrom    Split
1        1000
2        2000

>data
ID    Chrom    Start    End    Probes
1     1        1        900    899
2     1        500      5000   4500
3     2        1000     5000   4000

如您所见，ID 1 与参考表没有重叠，因此将单独放置。但是，ID 2&3，我想根据 Ref.table 进行拆分。

我想得到的结果表是：

>result
ID    Chrom    Start    End    Probes
1     1        1        900    899
2     1        500      1000   500
2     1        1001     5000   4000
3     2        1000     2000   1000
3     2        2001     5000   3000

我相信您可以看到，这有两个部分： 1. 根据单独的表将范围拆分为两列 2. 在两部分之间按比例拆分 # 个探针

我一直在寻找可以做到这一点的 R 包（按染色体臂分割范围），但找不到如上所示的。任何指向函数包的链接都将不胜感激，但我也愿意自己编写代码......在一些帮助下。

到目前为止，我只能使用 foverlaps 来确定是否存在重叠：示例：

>foverlaps(Ref.table[data[14]$Chrom], data[14], which=TRUE)
     xid   yid
1:    1     1

【问题讨论】：

标签： r data.table

【解决方案1】：

这是一个可能的 foverlaps 解决方案（如 Q 中所述）。

前两个步骤很简单，而且非常惯用，将 End 列添加到 Ref.table，这样我们就会有重叠的区间，然后通过 Chrom 和区间列键入两个数据集 (在 v 1.9.5+ 中，您现在可以指定 by.x 和 by.y）并简单地运行 foverlaps

library(data.table)
setDT(Ref.table)[, End := Split]
setkey(Ref.table)
setkey(setDT(data), Chrom, Start, End)
res <- foverlaps(data, Ref.table)
res
#    Chrom Split  End ID Start i.End Probes
# 1:     1    NA   NA  1     1   900    899
# 2:     1  1000 1000  2   500  5000   4500
# 3:     2  2000 2000  3  1000  5000   4000

现在我们有了重叠，我们需要根据我们的匹配增加数据集的大小。我们可以以is.na(Split) 为条件（这意味着没有发现重叠）。我不确定这部分是否可以更有效地完成

res2 <- res[, if(is.na(Split)) .SD else rbind(.SD, .SD), by = .(ID, Chrom)]
## Or, if you only have one row per group, maybe
## res2 <- res[, if(is.na(Split)) .SD else .SD[c(1L,1L)], by = .(ID, Chrom)]

现在，最后两步将根据新的列值更新End 和Start 列，然后更新Probes 列

res2[!is.na(Split), `:=`(i.End = c(Split[1L], i.End[-1L]),
                         Start = c(Start[-1L], Split[1L] + 1L)), 
     by = .(ID, Chrom)]
res2[!is.na(Split), Probes := i.End - Start]
res2
#    ID Chrom Split  End Start i.End Probes
# 1:  1     1    NA   NA     1   900    899
# 2:  2     1  1000 1000   500  1000    500
# 3:  2     1  1000 1000  1001  5000   3999
# 4:  3     2  2000 2000  1000  2000   1000
# 5:  3     2  2000 2000  2001  5000   2999

（如果您愿意，可以删除不需要的列）

【讨论】：

这很好用，谢谢。不能正常工作的一件事是 Proportion of Probes （不确定我是否在问题中正确指定了这一点）。我添加了一个“长度”列来获取原始长度，然后在你的答案中没有“i.End - Start”，我做了“Probes * ((i.End - Start) / (Length))”。万一其他人为此提出这个问题，我想我会把它放在这里。
@GaiusAugustus 感谢您的评论。我不记得这个问题是关于什么了，但我很高兴你明白了:)

【解决方案2】：

先定义一个分裂函数：

splitter<-function(data, reftable){
  splitsite <- which(reftable$Chrom == data$Chrom)
  if(reftable$Split[splitsite] > data$Start && reftable$Split[splitsite] <= data$End){
    return(data.frame(ID = data$ID,
                      Chrom = data$Chrom,
                      Start = c(data$Start, reftable$Split[splitsite] + 1),
                      End = c(reftable$Split[splitsite],data$End),
                      Probes = c((reftable$Split[splitsite]- data$Start)*data$Probes/(data$End-data$Start),
                                 ((data$End - (reftable$Split[splitsite] + 1))*data$Probes/(data$End-data$Start)))))
  } else {
    return(data)
  }  
}

然后我们可以使用dplyr在每一行上运行它：

library(dplyr)
data %>% group_by(ID) %>%
         do(splitter(., ref.table))

给出以下内容。你可以看到它有 3999 和 2999 而不是你的 4000 和 3000，根据你的第 1 行，我不确定你想要哪个。你可以通过在 ((data$End - (reftable$Split[splitsite] + 1)) 中删除 +1 来修复它

  ID Chrom Start  End Probes
1  1     1     1  900    899
2  2     1   500 1000    500
3  2     1  1001 5000   3999
4  3     2  1000 2000   1000
5  3     2  2001 5000   2999

【讨论】：

【解决方案3】：

这是我的方法：

merge(data, Ref.table, by = "Chrom") %>% 
  mutate(
    end = ifelse(Split > Start & Split < End, Split, End),
    start2 = ifelse(Split > Start & Split < End, end + 1, NA),
    end2 = ifelse(Split > Start & Split < End, End, NA)
    ) %>%
  select(-End, -Probes, -Split) %>% 
  gather(label, value, Start, end, start2, end2, na.rm = TRUE) %>% 
  mutate(
    rep = ifelse(label %in% c("Start", "end"), 1, 2),
    label = as.character(label),
    label = ifelse(label %in% c("Start", "start2"), "start", label),
    label = ifelse(label %in% c("end", "end2"), "end", label)
    ) %>%
  spread(label, value) %>%
  select(ID, Chrom, start, end) %>%
  mutate(probes = end - start)

【讨论】：