如何根据频率将多列字符变量编码为0、1、2

Question

我现在正在处理遗传数据，并试图将遗传数据（分类数据）编码为数字 0、1、2。简化的数据集如下所示。

患者 ID 基因 1 基因 2 基因 3

1.     C/G   A/G   G/A  
   

2.     C/C   A/A   G/G
   

3.     C/C   A/A   A/A
   

4.     G/G   G/G   G/G
   

每列总是有三个级别，格式为 A/A、A/B 和 B/B。但是，不能确定 A 或 B 是每列 N 中的主要字母。例如，在 Gene1 列中，C 比 G 多，表示 C 是大写字母。我希望 C/C（两个大写字母）编码为 0，G/G（两个小写字母）编码为 2，C/G 或 G/C（一个大写字母 + 一个小写字母）编码为 1。同样，在 Gene3 列中，G 是最常见的字母，因此，我希望将 G/G 编码为 0，并将 A/A 编码为 2。像 A/B 这样具有两个不同字母的列始终编码为 1。

我希望输出清理后的数据集如下所示：

患者 ID 基因 1 基因 2 基因 3

1.     1     1     1  
   

2.     0     0     0
   

3.     0     0     2
   

4.     2     2     0
   

我有超过 750 列这样的列，因此无法逐列手动对其进行编码。无论如何，我可以同时对超过 750 列这样的遗传数据进行编码。我已经在这一步停留了将近两天，感谢您提供任何帮助。 python和r代码都可以。

谢谢！

Answer 1

一个dplyr 选项可能是：

df %>%
 mutate(across(everything(), ~ case_when(. == names(which.max(table(.))) ~ 0,
                                         substr(., 1, 1) == substr(., 3, 3) ~ 2,
                                         TRUE ~ 1)))

  Gene1 Gene2 Gene3
1     1     1     1
2     0     0     0
3     0     0     2
4     2     2     0