का मेल (चिपकाने) स्तंभों

Question

मैं निम्नलिखित है data.frame

Tipo Start End Strand Accesion1 Accesion2 
1 gene 197 1558  +  <NA> SP_0001 
2 CDS 197 1558  + NP_344554  <NA> 
3 gene 1717 2853  +  <NA> SP_0002 
4 CDS 1717 2853  + NP_344555  <NA> 
5 gene 2864 3112  +  <NA> SP_0003 
6 CDS 2864 3112  + NP_344556  <NA> 

ऐसे tRNA, क्षेत्र, एक्सॉन, या rRNA रूप में और अधिक "टिपो" मूल्यों, कर रहे हैं, लेकिन मैं केवल इन दो के संयोजन में दिलचस्पी है , जीन और सीडीएस

और मैं निम्नलिखित

Start End Accesion1 Accesion2 
1 197 1558 NP_344554 SP_0001 

लेकिन केवल तभी जब जीन की शुरुआत और समाप्ति मूल्यों और सीडीएस मेल खाना प्राप्त करना चाहते हैं। मैं, चयन विकल्प का उपयोग की व्यवस्था और dplyr साथ उत्परिवर्तित करने की कोशिश की है, लेकिन यह एक तरह से जटिल मुझे NAS

Answer 1

एक dplyr संस्करण:

DF %>% 
    group_by(Start, End) %>% 
    summarise_each(funs(max), Accesion1, Accesion2) 

का उत्पादन:

Source: local data frame [3 x 4] 
Groups: Start 

    Start End Accesion1 Accesion2 
1 197 1558 NP_344554 SP_0001 
2 1717 2853 NP_344555 SP_0002 
3 2864 3112 NP_344556 SP_0003 

मान लिया गया AccessionX varibles शर्त के रूप में, चरित्र (कारक के साथ काम नहीं करता है) कर रहे हैं और साथ ही है कि स्टार्ट एंड जोड़े में केवल दो मान होते हैं, जो आपके डेटा सेट में टिपो और जीन में से प्रत्येक होते हैं।

Answer 2

से छुटकारा पाने के लिए यहाँ एक समाधान aggregate() का उपयोग कर रहा है:

df <- data.frame(Tipo=c('gene','CDS','gene','CDS','gene','CDS'), Start=c(197,197,1717,1717,2864,2864), End=c(1558,1558,2853,2853,3112,3112), Strand=c('+','+','+','+','+','+'), Accesion1=c(NA,'NP_344554',NA,'NP_344555',NA,'NP_344556'), Accesion2=c('SP_0001',NA,'SP_0002',NA,'SP_0003',NA)); 
df2 <- df[df$Tipo%in%c('gene','CDS'),c('Start','End','Accesion1','Accesion2')]; 
aggregate(df2[,c('Accesion1','Accesion2')], df2[,c('Start','End')], function(x) x[!is.na(x)]); 
## Start End Accesion1 Accesion2 
## 1 197 1558 NP_344554 SP_0001 
## 2 1717 2853 NP_344555 SP_0002 
## 3 2864 3112 NP_344556 SP_0003 

Precomputing df2 में आवश्यक है मामले में मूल डेटा में गैर-जीन गैर-सीडीएस पंक्तियां हैं। फ्रेम; जीन और सीडीएस पंक्तियों को सही ढंग से एकत्रित करने के लिए, गैर-जीन गैर-सीडीएस पंक्तियों को x और by दोनों से बाहर रखा जाना चाहिए। (बेशक, अपने उदाहरण डेटा केवल जीन और सीडीएस पंक्तियों, तो यह नहीं तकनीकी रूप से उदाहरण डेटा के लिए आवश्यक है है।)

यह समाधान धारणा है कि जब भी दो पंक्तियों में एक ही Start और End मान हो, तो वे होना चाहिए बनाता है जीन/सीडीएस जोड़े (जीन/जीन या सीडीएस/सीडीएस के विपरीत)।

Answer 3

यहां एक संभावित तरीका है। आप जीन और सीडीएस के साथ पंक्तियों का चयन करते हैं। फिर, आप प्रारंभ और अंत तक अपना डेटा समूहित करते हैं। 1 या 3+ पंक्तियों के साथ START/END के समूह हो सकते हैं। तो आप यह सुनिश्चित करना चाहते हैं कि आप दो पंक्तियों के साथ START/END समूह चुनें। इसके अतिरिक्त, आप यह सुनिश्चित करना चाहते हैं कि आपके पास जीन और सीडीएस (length(unique(Tipo)) == 2) दोनों हों। अंत में, आप Accesion1 और accesion 2.

में गैर एनए तत्व ले

filter(df, Tipo %in% c("gene", "CDS")) %>% 
group_by(Start, End) %>% 
filter(n() == 2 & length(unique(Tipo)) == 2) %>% 
summarise(Accesion1 = Accesion1[!is.na(Accesion1)], 
      Accesion2 = Accesion2[!is.na(Accesion2)]) 

यहाँ एक छद्म उदाहरण है। summarize_each साथ

mydf <- structure(list(Tipo = structure(c(2L, 1L, 2L, 1L, 2L, 2L), .Label = c("CDS", 
"gene"), class = "factor"), Start = c(197, 197, 1717, 1717, 2864, 
2864), End = c(1558, 1558, 2853, 2853, 3112, 3112), Strand = structure(c(1L, 
1L, 1L, 1L, 1L, 1L), .Label = "+", class = "factor"), Accesion1 = structure(c(NA, 
1L, NA, 2L, NA, 3L), .Label = c("NP_344554", "NP_344555", "NP_344556" 
), class = "factor"), Accesion2 = structure(c(1L, NA, 2L, NA, 
3L, NA), .Label = c("SP_0001", "SP_0002", "SP_0003"), class = "factor")), .Names = c("Tipo", 
"Start", "End", "Strand", "Accesion1", "Accesion2"), row.names = c(NA, 
-6L), class = "data.frame") 


    Tipo Start End Strand Accesion1 Accesion2 
1 gene 197 1558  +  <NA> SP_0001 
2 CDS 197 1558  + NP_344554  <NA> 
3 gene 1717 2853  +  <NA> SP_0002 
4 CDS 1717 2853  + NP_344555  <NA> 
5 gene 2864 3112  +  <NA> SP_0003 
6 gene 2864 3112  + NP_344556  <NA> 


filter(mydf, Tipo %in% c("gene", "CDS")) %>% 
group_by(Start, End) %>% 
filter(n() == 2 & length(unique(Tipo)) == 2) %>% 
summarise(Accesion1 = Accesion1[!is.na(Accesion1)], 
      Accesion2 = Accesion2[!is.na(Accesion2)]) 

# Start End Accesion1 Accesion2 
#1 197 1558 NP_344554 SP_0001 
#2 1717 2853 NP_344555 SP_0002 

Answer 4

आप की कोशिश कर सकते

library(data.table) 
setDT(df1)[, id:=cumsum(Tipo == 'gene')][, 
    list(Accesion1=na.omit(Accesion1), Accesion2=na.omit(Accesion2)) , 
           list(id, Start, End)]