【问题标题】:Split delimited string into new rows with type conversion set to TRUE将分隔字符串拆分为新行,类型转换设置为 TRUE
【发布时间】:2021-04-14 13:24:06
【问题描述】:

data.table::tstrsplit 有一个有用的 type.convert 参数。但是当拆分后每一行都转换为不同的类时,它会出错,请参见示例:

library(data.table)

x <- fread("CHROM POS REF ALT TYPE AF
chr1 1 A T MISSENSE 0.23
chr2 1 A T,G MISSENSE 0.17,0.09")

在 ALT 列中,我们有“T”和“T,G”,因此第一行被转换为逻辑“TRUE”,第二行被拆分并转换为字符“T”和“G”。结果我们得到以下错误:

x[, lapply(.SD, function(x) unlist(tstrsplit(x, ",", fixed = TRUE, type.convert = TRUE))),
  by = .(CHROM, POS, REF, TYPE)]

# Error in `[.data.table`(x, , lapply(.SD, function(x) unlist(tstrsplit(x,  : 
#   Column 1 of result for group 2 is type 'character' but expecting type
#   'logical'. Column types must be consistent for each group.

我们可以避免自动转换,然后手动转换,一切都很好:

x[, lapply(.SD, function(x) unlist(tstrsplit(x, ",", fixed = TRUE))),
  by = .(CHROM, POS, REF, TYPE)][, .(CHROM, POS, REF, ALT, TYPE, AF = as.numeric(AF))]
#    CHROM POS REF ALT     TYPE   AF
# 1:  chr1   1   A   T MISSENSE 0.23
# 2:  chr2   1   A   T MISSENSE 0.17
# 3:  chr2   1   A   G MISSENSE 0.09

但是 tidyr::separate 没有这个问题:

tidyr::separate_rows(x, ALT, AF, convert = TRUE)
# # A tibble: 3 x 6
#   CHROM   POS REF   ALT   TYPE        AF
#   <chr> <int> <chr> <chr> <chr>    <dbl>
# 1 chr1      1 A     T     MISSENSE  0.23
# 2 chr2      1 A     T     MISSENSE  0.17
# 3 chr2      1 A     G     MISSENSE  0.09

问题:有没有更好的 data.table 方法来实现这一点?我需要使用类型转换,因为 AF 列需要是数字。我想同时拆分分隔列。在实际数据中,可能有超过 2 列带有分隔符。

【问题讨论】:

  • @akrun 不错,但仍然希望避免这个“额外”步骤。单独的行看起来更整洁。如果没有别的,这是迄今为止最好的,谢谢。

标签: r string split data.table


【解决方案1】:

使用cSplit可以更轻松地完成

library(splitstackshape)
cSplit(x, c("ALT", "AF"), ",", "long")
#   CHROM POS REF ALT     TYPE   AF
#1:  chr1   1   A   T MISSENSE 0.23
#2:  chr2   1   A   T MISSENSE 0.17
#3:  chr2   1   A   G MISSENSE 0.09

关于data.table选项,另一种方法是加空格

x[, lapply(.SD, function(x) 
 trimws(unlist(tstrsplit(gsub("([TF])+", " \\1", x), ",", 
    fixed = TRUE, type.convert = TRUE)))),
    by = .(CHROM, POS, REF, TYPE)]
#   CHROM POS REF     TYPE ALT   AF
#1:  chr1   1   A MISSENSE   T 0.23
#2:  chr2   1   A MISSENSE   T 0.17
#3:  chr2   1   A MISSENSE   G 0.09

【讨论】:

  • 修剪的另一个不错的选择,但我仍然希望有更直接的方式来做到这一点。
【解决方案2】:

由于问题在于type.convert 将第一组的T 标识为逻辑TRUE,因此您可以在结果data.table 上明确使用type.convert,其中变量中还有G,所以你没有这个问题:

x[, lapply(.SD, function(x) unlist(str_split(x,","))),
           by = .(CHROM, POS, REF, TYPE)] %>% 
   type.convert(.,as.is = T)

   CHROM POS REF     TYPE ALT   AF
1:  chr1   1   A MISSENSE   T 0.23
2:  chr2   1   A MISSENSE   T 0.17
3:  chr2   1   A MISSENSE   G 0.09


$CHROM
[1] "character"

$POS
[1] "integer"

$REF
[1] "character"

$TYPE
[1] "character"

$ALT
[1] "character"

$AF
[1] "numeric"

【讨论】:

  • 对不起,我没有看到你的评论(不再在这里了?)
  • 没关系。我删除了cmets。但是,后来我想不要将其包含在答案中,因为 OP 看起来更像是一个直接的答案。很高兴您提出了相同的解决方案。我只是说。您可以保留这些解决方案
  • 你比我(和另一个)更快更好,很高兴你自愿考虑不包括所有答案:)
  • 从您的答案中选择该选项很好。我认为tstrsplit 没有直接的方法,除非我们在“T”、“F”部分进行一些修改
  • 是的,这是 akrun 已经在 cmets 中建议的,我想避免这一步。
猜你喜欢
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2015-01-24
  • 1970-01-01
  • 1970-01-01
  • 2012-08-09
  • 1970-01-01
相关资源
最近更新 更多