使用 colnames 作为变量构造函数

Question

我想在注释data.frame 的多个列下收集术语。 下面是 annot 的玩具数据集的第一行信息。

colnames(annot)
# [1] "HUGO.Name"   "Common.Name" "Gene.Class"  "Cell.Type"   "Annotation" 
annot[1,]
#   HUGO.Name Common.Name                           Gene.Class Cell.Type
# 1      CCL1        CCL1 Immune Response - Cell Type specific       aDC
#                                                            Annotation
# 1 Cell Type specific, Chemokines and receptors, Inflammatory response

到目前为止，我一直在迭代地编写 colnames，但我想学习如何编写一个函数来循环遍历 annot 的所有列（以及更普遍的其他 data.frames）。

这是我的手动方法：

yA <- unique(str_trim(unlist(strsplit(annot[, "Annotation"], ","))))
yC <- unique(str_trim(unlist(strsplit(annot[, "Cell.Type"], ","))))

yA
#  [1] "Cell Type specific"                  "Chemokines and receptors"           
#  [3] "Inflammatory response"               "Cytokines and receptors"            
#  [5] "Chronic inflammatory response"       "Th2 orientation"                    
#  [7] "T-cell proliferation"                "Defense response to virus"          
#  [9] "B-cell receptor signaling pathway"   "CD molecules"                       
# [11] "Regulation of immune response"       "Adaptive immune response"           
# [13] "Antigen processing and presentation"

如何构造函数“y”来简化此过程？我尝试了以下方法：

y <- function (i,n) {unique(str_trim(unlist(strsplit(i[, as.name(n)], ","))))}

但是，当我尝试使用此功能时出现错误。

yA <- y(annot, Annotation)
# Error in .subset(x, j) : invalid subscript type 'symbol'
# Called from: `[.data.frame`(i, , as.name(n))

我打算使用 yA 和 yC 的输出来制作如下列表：

# look up associated HUGO.Name per each term of yA
for (i in yA) {
eval(call("<-", as.name(i),
              annot[grepl(i, annot[,"Annotation"], fixed =T), "HUGO.Name"]))
}  
# make lists 
nSannot_list<- mget(yA)

Answer 1

假设您从data.frame 开始：

mydf <- data.frame(
  v1 = c("A, B, B", "A, C,D"), 
  v2 = c("E, F", " G,H , E, I"), 
  v3 = c("J,K,L,M", "N, J, L, M, K"))

mydf
#        v1          v2            v3
# 1 A, B, B        E, F       J,K,L,M
# 2  A, C,D  G,H , E, I N, J, L, M, K

定义函数的一种方式如下所示。我坚持使用基本函数，但如果您愿意，可以使用“stringr”。

myFun <- function(instring) {
  if (!is.character(instring)) instring <- as.character(instring)
  unique(trimws(unlist(strsplit(instring, ",", fixed = TRUE))))
}

第一行只是检查输入是否是字符串。通常，在data.frames 中，默认情况下使用stringsAsFactors = TRUE 读入数据，因此您需要先执行该转换。第二行进行分割和修剪。为了提高效率，我在其中添加了fixed = TRUE。

一旦有了这样的功能，您就可以使用apply（对于data.frame 或matrix，按行或按列）或使用lapply（对于list 或data.frame（将按列）。

## If `mydf` is a data.frame, and you want to go by columns
lapply(mydf, myFun) 
# $v1
# [1] "A" "B" "C" "D"
# 
# $v2
# [1] "E" "F" "G" "H" "I"
# 
# $v3
# [1] "J" "K" "L" "M" "N"

## `apply` can be used too. Second argument specifies whether by row or column
apply(mydf, 1, myFun)
apply(mydf, 2, myFun)

---

另一方面，如果您希望创建一个接受输入数据集名称和（裸、未引用）列的函数，则可以这样编写函数：

myOtherFun <- function(indf, col) {
  col <- deparse(substitute(col))
  unique(trimws(unlist(strsplit(as.character(indf[, col]), ",", TRUE))))
}

第一行将裸列名称捕获为字符串，以便可以在典型的my_data[, "col_wanted"] 形式中使用。

下面是使用的函数：

myOtherFun(mydf, v2)
# [1] "E" "F" "G" "H" "I"