Subset-Spalte und Rechenoperationen für jede Teilmenge

Question

Hier ist ein minimales Beispiel eines zu reproduzierenden Datenrahmens.

df <- structure(list(Gene = structure(c(147L, 147L, 148L, 148L, 148L, 
87L, 87L, 87L, 87L, 87L), .Label = c("genome", "k141_1189_101", 
"k141_1189_104", "k141_1189_105", "k141_1189_116", "k141_1189_13", 
"k141_1189_14", "k141_1189_146", "k141_1189_150", "k141_1189_18", 
"k141_1189_190", "k141_1189_194", "k141_1189_215", "k141_1189_248", 
"k141_1189_251", "k141_1189_252", "k141_1189_259", "k141_1189_274", 
"k141_1189_283", "k141_1189_308", "k141_1189_314", "k141_1189_322", 
"k141_1189_353", "k141_1189_356", "k141_1189_372", "k141_1189_373", 
"k141_1189_43", "k141_1189_45", "k141_1189_72", "k141_1597_15", 
"k141_1597_18", "k141_1597_23", "k141_1597_41", "k141_1597_55", 
"k141_1597_66", "k141_1597_67", "k141_1597_68", "k141_1597_69", 
"k141_2409_34", "k141_2409_8", "k141_3390_69", "k141_3390_83", 
"k141_3390_84", "k141_3726_25", "k141_3726_31", "k141_3726_49", 
"k141_3726_50", "k141_3726_62", "k141_3726_8", "k141_3726_80", 
"k141_3790_1", "k141_3993_114", "k141_3993_122", "k141_3993_162", 
"k141_3993_172", "k141_3993_183", "k141_3993_186", "k141_3993_188", 
"k141_3993_24", "k141_3993_25", "k141_3993_28", "k141_3993_32", 
"k141_3993_44", "k141_3993_47", "k141_3993_53", "k141_3993_57", 
"k141_3993_68", "k141_4255_80", "k141_4255_81", "k141_4255_87", 
"k141_5079_107", "k141_5079_110", "k141_5079_130", "k141_5079_14", 
"k141_5079_141", "k141_5079_16", "k141_5079_184", "k141_5079_185", 
"k141_5079_202", "k141_5079_24", "k141_5079_39", "k141_5079_63", 
"k141_5079_65", "k141_5079_70", "k141_5079_77", "k141_5079_87", 
"k141_5079_9", "k141_5313_16", "k141_5313_17", "k141_5313_20", 
"k141_5313_23", "k141_5313_39", "k141_5313_5", "k141_5313_51", 
"k141_5313_52", "k141_5313_78", "k141_5545_101", "k141_5545_103", 
"k141_5545_104", "k141_5545_105", "k141_5545_106", "k141_5545_107", 
"k141_5545_108", "k141_5545_109", "k141_5545_110", "k141_5545_111", 
"k141_5545_112", "k141_5545_113", "k141_5545_114", "k141_5545_119", 
"k141_5545_128", "k141_5545_130", "k141_5545_139", "k141_5545_141", 
"k141_5545_145", "k141_5545_16", "k141_5545_169", "k141_5545_17", 
"k141_5545_172", "k141_5545_6", "k141_5545_60", "k141_5545_62", 
"k141_5545_63", "k141_5545_86", "k141_5545_87", "k141_5545_88", 
"k141_5545_89", "k141_5545_91", "k141_5545_92", "k141_5545_93", 
"k141_5545_94", "k141_5545_96", "k141_5545_97", "k141_5545_98", 
"k141_5545_99", "k141_5734_13", "k141_5734_2", "k141_5734_4", 
"k141_5734_5", "k141_5734_6", "k141_6014_124", "k141_6014_2", 
"k141_6014_34", "k141_6014_75", "k141_6014_96", "k141_908_14", 
"k141_908_2", "k141_908_5", "k141_957_126", "k141_957_135", "k141_957_136", 
"k141_957_14", "k141_957_140", "k141_957_141", "k141_957_148", 
"k141_957_179", "k141_957_191", "k141_957_35", "k141_957_47", 
"k141_957_55", "k141_957_57", "k141_957_59", "k141_957_6", "k141_957_63", 
"k141_957_65", "k141_957_68", "k141_957_77", "k141_957_95"), class = "factor"), 
    depth = c(9L, 10L, 9L, 10L, 11L, 14L, 15L, 16L, 17L, 18L), 
    bases_covered = c(6L, 3L, 4L, 7L, 4L, 59L, 54L, 70L, 34L, 
    17L), gene_length = c(1140L, 1140L, 591L, 591L, 591L, 690L, 
    690L, 690L, 690L, 690L), regioncoverage = c(54L, 30L, 36L, 
    70L, 44L, 826L, 810L, 1120L, 578L, 306L)), .Names = c("Gene", 
"depth", "bases_covered", "gene_length", "regioncoverage"), row.names = c(1L, 
2L, 33L, 34L, 35L, 78L, 79L, 80L, 81L, 82L), class = "data.frame") 

Die Datenrahmen sieht wie folgt aus:

 Gene depth bases_covered gene_length regioncoverage 
1 k141_908_2  9    6  1140    54 
2 k141_908_2 10    3  1140    30 
33 k141_908_5  9    4   591    36 
34 k141_908_5 10    7   591    70 
35 k141_908_5 11    4   591    44 
78 k141_5079_9 14   59   690   826 
79 k141_5079_9 15   54   690   810 
80 k141_5079_9 16   70   690   1120 
81 k141_5079_9 17   34   690   578 
82 k141_5079_9 18   17   690   306 

Was ich will, ist, dass für jedes Gen (z k141_908_2) i Region Abdeckung und dividieren durch eindeutige (Genlänge) summieren möchten. In der Tat ist die Genlänge für jedes Gen immer der gleiche Wert.

Zum Beispiel für Gene K141_908_2 ich tun würde: (54 + 30)/1140 = 0,07 Zum Beispiel für Gene K141_908_5 ich tun würde: (36 + 70 + 44)/591 = 0,25

Der letzte Datenrahmen sollte zwei Spalten melden.

 Gene Newcoverage 
1 k141_908_2 0.07 
2 k141_908_5 0.25 
3 ...... 

und so weiter.

Danke für Ihre Hilfe

Answer 1

schnell Ansatz ist

require(data.table) 
DT <- setDT(df) 
#just to output unique rows 
DT[, .(New_Coverage = unique(sum(regioncoverage)/gene_length)), by = .(Gene)] 

Ausgang

---

  Gene New_Coverage 
1: k141_908_2 0.07368421 
2: k141_908_5 0.25380711 
3: k141_5079_9 5.27536232 

Answer 2

Das mit dplyr einfach ist:

library(dplyr) 
df_final <- df %>% 
    group_by(Gene) %>% 
    summarize(Newcoverage = sum(regioncoverage)/first(gene_length)) 

df_final 
# # A tibble: 3 × 2 
# Gene Newcoverage 
# <fctr>  <dbl> 
# 1 k141_5079_9 5.27536232 
# 2 k141_908_2 0.07368421 
# 3 k141_908_5 0.25380711 

Answer 3

Ich brauchte die erste Spalte Zeichen und andere numerische einzustellen. Aber danach können Sie einfach die df durch Gen spalten und dann die notwendigen Berechnungen durchführen.

df[,2:5] = lapply(df[,2:5], as.numeric) 
df$Gene = as.character(df$Gene) 
sapply(split(df, df$Gene), function(x) sum(x[,5]/x[1,4])) 
#k141_5079_9 k141_908_2 k141_908_5 
# 5.27536232 0.07368421 0.25380711 

Answer 4

Wir tidyverse

library(tidyverse) 
df %>% 
    group_by(Gene) %>% 
    summarise(Newcoverage = sum(regioncoverage)/gene_length[1]) 
# A tibble: 3 × 2 
#   Gene Newcoverage 
#  <fctr>  <dbl> 
#1 k141_5079_9 5.27536232 
#2 k141_908_2 0.07368421 
#3 k141_908_5 0.25380711 

012 verwenden können

Oder eine base R Option ist

by(df[4:5], list(as.character(df[,'Gene'])), FUN= function(x) sum(x[,2])/x[1,1]) 

Answer 5

ich dplyr verwenden viel. Also hier ist ein Weg:

library(dplyr) 

df %>% 
    group_by(Gene) %>% 
    mutate(Newcoverage=sum(regioncoverage)/unique(gene_length)) 

Wenn Sie nur eindeutige Werte pro Gene wollen:

df %>% 
    group_by(Gene) %>% 
    transmute(Newcoverage=sum(regioncoverage)/unique(gene_length)) %>% 
    unique()