Как извлечь имена столбцов на основе значения в выходном столбце и получить количество - PullRequest
Новая
       62

Как извлечь имена столбцов на основе значения в выходном столбце и получить количество

1 голос
/ 09 июля 2020
• 1000 и идентификаторы литературы в других столбцах (пример входного файла показан ниже). Я хотел бы собрать все идентификаторы литературы, в выходном столбце которых есть value = 1, и подсчитать количество идентификаторов в столбце подсчета (пример выходного файла показан ниже). Опубликуйте это, я бы слил фреймы данных, используя этот выходной файл, с моим списком интересующих генов, используя функцию merge. Пожалуйста, помогите мне с этим. 
Input_data <- read.csv(file = "./Input.csv", stringsAsFactors = FALSE, check.names = FALSE)
Output_data <- read.csv(file = "./Output.csv", stringsAsFactors = FALSE, check.names = FALSE)
Genes <- read.csv(file = "./Genes.csv", stringsAsFactors = FALSE, check.names = FALSE)

Merge_data <- merge(Output_data, Genes, by = "Genes")


Input_data

dput(Input_data)
structure(list(Genes = c("Gene_A", "Gene_B", "Gene_C", "Gene_D", 
"Gene_E", "Gene_F", "Gene_G", "Gene_H", "Gene_I", "Gene_J", "Gene_K", 
"Gene_L", "Gene_M"), `20706538` = c(0L, 1L, 1L, 1L, 0L, 1L, 1L, 
1L, 0L, 0L, 0L, 0L, 0L), `14557386` = c(0L, 0L, 0L, 0L, 0L, 0L, 
0L, 0L, 0L, 0L, 0L, 0L, 0L), `22999554` = c(0L, 0L, 0L, 0L, 0L, 
0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L), `21906313` = c(1L, 1L, 1L, 1L, 
0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 1L), `25229268` = c(1L, 1L, 1L, 
0L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 0L), `22633082` = c(0L, 1L, 
1L, 1L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 0L), `19228761` = c(1L, 
1L, 1L, 1L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 0L), `19543402` = c(0L, 
0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L), `26955776` = c(1L, 
1L, 1L, 1L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 0L), `21126355` = c(1L, 
1L, 1L, 1L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 1L)), class = "data.frame", row.names = c(NA, 
-13L))


Output_data

dput(Output_data)
structure(list(Genes = c("Gene_A", "Gene_B", "Gene_C", "Gene_D", 
"Gene_E", "Gene_F", "Gene_G", "Gene_H", "Gene_I", "Gene_J", "Gene_K", 
"Gene_L", "Gene_M"), Output = c("21906313, 25229268, 19228761, 26955776, 21126355", 
"20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355", 
"20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355", 
"20706538, 21906313, 22633082, 19228761, 26955776, 21126355", 
"", "20706538, 21906313, 25229268, 22633082, 26955776, 21126355", 
"20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355", 
"20706538, 21906313, 25229268, 22633082, 26955776, 21126355", 
"", "", "", "", "21906313, 21126355"), Counts = c(5L, 7L, 7L, 
6L, 0L, 6L, 7L, 6L, 0L, 0L, 0L, 0L, 2L)), class = "data.frame", row.names = c(NA, 
-13L))

Genes
dput(Genes)
structure(list(Genes = c("Gene_A", "Gene_B", "Gene_C", "Gene_D", 
"Gene_E", "Gene_F", "Gene_G", "Gene_H", "Gene_I", "Gene_J", "Gene_K", 
"Gene_L", "Gene_M", "Gene_N", "Gene_O", "Gene_P", "Gene_Q", "Gene_R", 
"Gene_S", "Gene_T", "Gene_U", "Gene_V", "Gene_W")), class = "data.frame", row.names = c(NA, 
-23L))

Ответы [ 3 ]

2 голосов
/ 09 июля 2020

Ваши данные в широком формате, это означает, что одна строка / наблюдение имеет несколько значений. Это проще, когда ваши данные имеют длинный формат, что означает только одно значение в строке. Взгляните на аккуратные данные .

Мое решение очень похоже на @ Ri c S, вместо mutate я использую summarise, который предназначен для таких ситуаций, когда вы хотите иметь только одну запись для каждого уровня вашей группирующей переменной: 

Input_data <- structure(list(Genes = c("Gene_A", "Gene_B", "Gene_C", "Gene_D", 
                         "Gene_E", "Gene_F", "Gene_G", "Gene_H", "Gene_I", "Gene_J", "Gene_K", 
                         "Gene_L", "Gene_M"), `20706538` = c(0L, 1L, 1L, 1L, 0L, 1L, 1L, 
                                                             1L, 0L, 0L, 0L, 0L, 0L), `14557386` = c(0L, 0L, 0L, 0L, 0L, 0L, 
                                                                                                     0L, 0L, 0L, 0L, 0L, 0L, 0L), `22999554` = c(0L, 0L, 0L, 0L, 0L, 
                                                                                                                                                 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L), `21906313` = c(1L, 1L, 1L, 1L, 
                                                                                                                                                                                                 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 1L), `25229268` = c(1L, 1L, 1L, 
                                                                                                                                                                                                                                                     0L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 0L), `22633082` = c(0L, 1L, 
                                                                                                                                                                                                                                                                                                             1L, 1L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 0L), `19228761` = c(1L, 
                                                                                                                                                                                                                                                                                                                                                                         1L, 1L, 1L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 0L), `19543402` = c(0L, 
                                                                                                                                                                                                                                                                                                                                                                                                                                         0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L), `26955776` = c(1L, 
                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                         1L, 1L, 1L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 0L), `21126355` = c(1L, 
                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                         1L, 1L, 1L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 1L)), class = "data.frame", row.names = c(NA, 
                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                               -13L))

Genes <- structure(list(Genes = c("Gene_A", "Gene_B", "Gene_C", "Gene_D", 
                                  "Gene_E", "Gene_F", "Gene_G", "Gene_H", "Gene_I", "Gene_J", "Gene_K", 
                                  "Gene_L", "Gene_M", "Gene_N", "Gene_O", "Gene_P", "Gene_Q", "Gene_R", 
                                  "Gene_S", "Gene_T", "Gene_U", "Gene_V", "Gene_W")), class = "data.frame", row.names = c(NA, 
                                                                                                                          -23L))

library(dplyr)
library(tidyr)

summary_data <- Input_data %>% 
  pivot_longer(-Genes, values_to = "is_contained", names_to = "literature_id") %>% 
  group_by(Genes) %>% 
  filter(is_contained == 1) %>% 
  summarise(Output = paste0(literature_id, collapse = ", "),
            Counts = n()) %>% 
  right_join(Genes) %>% 
  mutate(Output = if_else(is.na(Output),
                          "",
                          Output),
         Counts = if_else(is.na(Counts),
                          0L,
                          Counts))

summary_data
# A tibble: 23 x 3
   Genes  Output                                                                 Counts
   <chr>  <chr>                                                                   <int>
 1 Gene_A "21906313, 25229268, 19228761, 26955776, 21126355"                          5
 2 Gene_B "20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355"      7
 3 Gene_C "20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355"      7
 4 Gene_D "20706538, 21906313, 22633082, 19228761, 26955776, 21126355"                6
 5 Gene_E ""                                                                          0
 6 Gene_F "20706538, 21906313, 25229268, 22633082, 26955776, 21126355"                6
 7 Gene_G "20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355"      7
 8 Gene_H "20706538, 21906313, 25229268, 22633082, 26955776, 21126355"                6
 9 Gene_I ""                                                                          0
10 Gene_J ""                                                                          0
# ... with 13 more rows
1 голос
/ 09 июля 2020

Использование data.table: 

library(data.table)
setDT(Genes)
setDT(Input_data)

Output_data <- 
  Input_data[, melt(.SD, id.vars = "Genes", variable.name = "id")
             ][value == 1, .(Output = toString(id), Counts = .N), by = Genes
               ][Genes, on = "Genes"
                 ][is.na(Counts), c("Output", "Counts") := .("", 0L)]

#      Genes                                                               Output Counts
#  1: Gene_A                     21906313, 25229268, 19228761, 26955776, 21126355      5
#  2: Gene_B 20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355      7
#  3: Gene_C 20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355      7
#  4: Gene_D           20706538, 21906313, 22633082, 19228761, 26955776, 21126355      6
#  5: Gene_E                                                                           0
#  6: Gene_F           20706538, 21906313, 25229268, 22633082, 26955776, 21126355      6
#  7: Gene_G 20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355      7
#  8: Gene_H           20706538, 21906313, 25229268, 22633082, 26955776, 21126355      6
#  9: Gene_I                                                                           0
# 10: Gene_J                                                                           0
# 11: Gene_K                                                                           0
# 12: Gene_L                                                                           0
# 13: Gene_M                                                   21906313, 21126355      2
# 14: Gene_N                                                                           0
# 15: Gene_O                                                                           0
# 16: Gene_P                                                                           0
# 17: Gene_Q                                                                           0
# 18: Gene_R                                                                           0
# 19: Gene_S                                                                           0
# 20: Gene_T                                                                           0
# 21: Gene_U                                                                           0
# 22: Gene_V                                                                           0
# 23: Gene_W                                                                           0
#      Genes                                                               Output Counts
1 голос
/ 09 июля 2020

Это возможное решение с использованием пакетов tidyr и dplyr.

В основном мы сначала проверяем, что ваши данные аккуратны , т.е. вы можете работать с ними в гораздо проще, с функцией pivot_longer, а затем мы применяем очень стандартные операторы dplyr для создания желаемого результата. Если вы не знакомы с ними, я предлагаю вам запускать один шаг конвейера за раз и понимать, что делает каждый проход. 

library(tidyr)
library(dplyr)

Input_data %>% 
  pivot_longer(-Genes, names_to = "num", values_to = "value") %>%
  group_by(Genes) %>% 
  mutate(
    Output = paste(num[value == 1], collapse = ", "),
    Counts = sum(value == 1)
    ) %>% 
  select(-c(num, value)) %>% 
  distinct() %>% 
  right_join(Genes, by = "Genes")

Вывод 

# A tibble: 23 x 3
# Groups:   Genes [23]
#    Genes  Output                                                                 Counts
#    <chr>  <chr>                                                                  <int>
#  1 Gene_A "21906313, 25229268, 19228761, 26955776, 21126355"                         5
#  2 Gene_B "20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355"     7
#  3 Gene_C "20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355"     7
#  4 Gene_D "20706538, 21906313, 22633082, 19228761, 26955776, 21126355"               6
#  5 Gene_E ""                                                                         0
#  6 Gene_F "20706538, 21906313, 25229268, 22633082, 26955776, 21126355"               6
#  7 Gene_G "20706538, 21906313, 25229268, 22633082, 19228761, 26955776, 21126355"     7
#  8 Gene_H "20706538, 21906313, 25229268, 22633082, 26955776, 21126355"               6
#  9 Gene_I ""                                                                         0
# 10 Gene_J ""                                                                         0
# ... with 13 more rows
Добро пожаловать на сайт PullRequest, где вы можете задавать вопросы и получать ответы от других членов сообщества.

Похожие темы

...