Gruppierte multicolumn Versammlung mit dplyr, tidyr, purrr

Question

Ich versuche, Daten für zwei verschiedene Variablen zu sammeln, verteilt auf mehrere Spalten, jeweils gruppiert von zwei anderen Variablen. Hier ist das Problem. Ich habe mehrere Gene, mehrere Proben. Jede Probe hat drei verschiedene mögliche Genotypen mit jeweils einer zugehörigen Häufigkeit. Ich möchte das aufräumen, um eine einzige Spalte für Gen, Probe, Genotyp, Häufigkeit zu bekommen.

Ich habe eine Hackjob-Lösung, die das Erstellen von Listenspalten, die Verbreitung dieser Spalten und das Extrahieren der Spalten mit purrr :: map-Funktionen beinhaltet. Es ist hässlich, nicht wirklich skalierbar, und die Frequenz wird in ein Zeichen konvertiert, bevor es zurück in numerische konvertiert wird, nicht ideal.

Gibt es einen besseren Weg, um dieses Problem zu lösen?

library(tidyverse) 
# or, separately load dplyr, tibble, tidyr, purrr 

# Here's what I have 
have <- data_frame(gene=rep(c("gX", "gY"), each=2), 
        sample=rep(c("s1", "s2"), 2), 
        genotype1=c("AA", "AA", "GG", "GG"), 
        genotype2=c("AC", "AC", "GT", "GT"), 
        genotype3=c("CC", "CC", "TT", "TT"), 
        freq1=c(.8,.9, .7, .6), 
        freq2=c(.15,.1, .2, .35), 
        freq3=c(.05,0, .1, .05)) 
have 
#> # A tibble: 4 × 8 
#> gene sample genotype1 genotype2 genotype3 freq1 freq2 freq3 
#> <chr> <chr>  <chr>  <chr>  <chr> <dbl> <dbl> <dbl> 
#> 1 gX  s1  AA  AC  CC 0.8 0.15 0.05 
#> 2 gX  s2  AA  AC  CC 0.9 0.10 0.00 
#> 3 gY  s1  GG  GT  TT 0.7 0.20 0.10 
#> 4 gY  s2  GG  GT  TT 0.6 0.35 0.05 

# Here's what I want. 
# Do a multicolumn gather grouped by gene and sample 
want <- have %>% 
    group_by(gene, sample) %>% 
    summarize(x1=list(c(genotype=genotype1, freq=freq1)), 
      x2=list(c(genotype=genotype2, freq=freq2)), 
      x3=list(c(genotype=genotype3, freq=freq3))) %>% 
    ungroup() %>% 
    gather(key, value, x1, x2, x3) %>% 
    mutate(genotype=map_chr(value, "genotype"), 
     freq=map_chr(value, "freq") %>% as.numeric) %>% 
    select(-key, -value) %>% 
    arrange(gene, sample, genotype) 
want 
#> # A tibble: 12 × 4 
#>  gene sample genotype freq 
#> <chr> <chr> <chr> <dbl> 
#> 1  gX  s1  AA 0.80 
#> 2  gX  s1  AC 0.15 
#> 3  gX  s1  CC 0.05 
#> 4  gX  s2  AA 0.90 
#> 5  gX  s2  AC 0.10 
#> 6  gX  s2  CC 0.00 
#> 7  gY  s1  GG 0.70 
#> 8  gY  s1  GT 0.20 
#> 9  gY  s1  TT 0.10 
#> 10 gY  s2  GG 0.60 
#> 11 gY  s2  GT 0.35 
#> 12 gY  s2  TT 0.05 

Answer 1

Sie to_long() vom sjmisc-package verwenden könnte, die auf einmal mehrere Spalten sammelt:

to_long(have, keys = "genos", values = c("genotype", "freq"), 
     c("genotype1", "genotype2", "genotype3"), 
     c("freq1", "freq2", "freq3")) 

## A tibble: 12 × 5 
##  gene sample  genos genotype freq 
## <chr> <chr>  <chr> <chr> <dbl> 
## 1  gX  s1 genotype1  AA 0.80 
## 2  gX  s2 genotype1  AA 0.90 
## 3  gY  s1 genotype1  GG 0.70 
## 4  gY  s2 genotype1  GG 0.60 
## 5  gX  s1 genotype2  AC 0.15 
## 6  gX  s2 genotype2  AC 0.10 
## 7  gY  s1 genotype2  GT 0.20 
## 8  gY  s2 genotype2  GT 0.35 
## 9  gX  s1 genotype3  CC 0.05 
## 10 gX  s2 genotype3  CC 0.00 
## 11 gY  s1 genotype3  TT 0.10 
## 12 gY  s2 genotype3  TT 0.05 

to_long() erfordert die Namen der Schlüssel- und Wertespalten, gefolgt von mehreren Spaltennamen pro Vektor, die gesammelt werden sollen.

Answer 2

Voll tidyverse Ansatz:

want <- have %>% 
    gather(variable, value, -gene, -sample) %>% 
    mutate(group = parse_number(variable), 
      variable = str_extract(variable,"\\D+")) %>% 
    spread(variable, value) %>% 
    select(-group)