基于字符向量动态创建变量并根据 R 中的变量评估数值向量

Question

编写脚本以解析 SARS-CoV-2 测序结果以导入我们的实验室信息系统。需要测试关键突变的核苷酸位置是否包含在共有序列数据中。缺失核苷酸序列位置的数据作为逗号分隔的字符串变量包含在内，其中范围由“-”分隔。 我认为 Id 编写了一个 for 循环，针对字符串变量中定义的缺失数据测试每个关键核苷酸位置的特定突变。 到目前为止：

library(tidyverse)

创建测试数据

subs <- as.character(c("A", "B", "C", "D"))
subs_pos <- as.numeric(c("1", "30","22700", "13500"))
df <- data.frame("id" = letters[1:5], 
                 "missing" = as.character(c("1-13030,13364-13626,13962-15504,15862-26543,26891-29904",
                                            "1-29,21717,29727-29777,29837-29904",
                                            "19276-19571,22627-22822,29837-29904",
                                            "29837-29904",
                                            "1-10,20-30"
                                            )))

数据框：

id                                                 missing
1  a 1-13030,13364-13626,13962-15504,15862-26543,26891-29904
2  b                      1-29,21717,29727-29777,29837-29904
3  c                     19276-19571,22627-22822,29837-29904
4  d                                             29837-29904
5  e                                              1-10,20-30

for循环

for(i in seq_along(subs)) { 
  new_var = as.character(subs[i])
  print(new_var)
  nn = as.numeric(subs_pos[i])
  print(nn)
  df <- df %>% 
    mutate(!!new_var := ifelse(!!nn %in%
                               as.numeric(
                                 source(textConnection(paste("c(", gsub("\\-", ":", missing),")")))$value), "I", "N"))
}

在屏幕上打印并生成数据框：

>[1] "A"
>[1] 1
>[1] "B"
>[1] 30
>[1] "C"
>[1] 22700
>[1] "D"
>[1] 13500
> df
>  id                                                 missing A B C D
>1  a 1-13030,13364-13626,13962-15504,15862-26543,26891-29904 I I N N
>2  b                      1-29,21717,29727-29777,29837-29904 I I N N
>3  c                     19276-19571,22627-22822,29837-29904 I I N N
>4  d                                             29837-29904 I I N N
>5  e                                              1-10,20-30 I I N N

预期的数据框：

> id                                                 missing A B C D
> 1  a 1-13030,13364-13626,13962-15504,15862-26543,26891-29904 I I N I
> 2  b                      1-29,21717,29727-29777,29837-29904 I N N N
> 3  c                     19276-19571,22627-22822,29837-29904 N N I N
> 4  d                                             29837-29904 N N N N
> 5  e                                              1-10,20-30 I I N N                                            

如果在一个实例上运行，则测试有效

> 13500 %in% as.numeric(source(textConnection(paste("c(", gsub("\\-", ":", df$missing[1]),")")))$value)
[1] TRUE

似乎我的代码导致上次运行的评估结果应用于数据框中的所有行。我已经通过更改测试数据确认了这一点。

Answer 1

我们可以通过, 拆分“缺失”以扩展行，通过在分隔符-（“df1”）处拆分创建新列“开始”、“停止”

library(dplyr)
library(tidyr)

df1 <- df %>%
       separate_rows(missing, sep = ",") %>%
       separate(missing, into = c('start', 'stop'), convert = TRUE) 

现在，我们使用 OP 的方法来创建带有 'subs' 向量的新列

for(i in seq_along(subs)) {
     df1 <- df1 %>%
          mutate(!! subs[i] :=  case_when(!is.na(stop) &
           start <= subs_pos[i] &  stop >= subs_pos[i] ~ 'I', TRUE ~'N'))
 
 }

按“id”分组，summarise“subs”列返回“I”，如果有任何“I”或“N”，则与原始数据和select中的列进行连接我们想要的顺序

df1 %>% 
     group_by(id) %>% 
     summarise(across(c(A:D), ~ case_when('I' %in% . ~ 'I', 
            TRUE ~ 'N'))) %>% 
     right_join(df) %>%
     select(names(df), everything())

-输出

# A tibble: 5 x 6
#  id    missing                                                 A     B     C     D    
#  <chr> <chr>                                                   <chr> <chr> <chr> <chr>
#1 a     1-13030,13364-13626,13962-15504,15862-26543,26891-29904 I     I     I     I    
#2 b     1-29,21717,29727-29777,29837-29904                      I     N     N     N    
#3 c     19276-19571,22627-22822,29837-29904                     N     N     I     N    
#4 d     29837-29904                                             N     N     N     N    
#5 e     1-10,20-30                                              I     I     N     N    


 

Answer 2

同事建议的另一种解决方案：

for(i in 1:nrow(df)){
  ranges <- as.numeric(source(textConnection(paste("c(", gsub("\\-", ":", df$missing[i]),")")))$value)
  for(j in 1:length(subs)){
    if(subs_pos[j] %in% ranges) {
      df[i,][subs[j]] <- "I"
    }
  }
}

}