向数据表添加新列答案

【问题标题】：Add a new column to data table向数据表添加新列
【发布时间】：2017-07-21 02:38:04
【问题描述】：

我正在处理一个包含 5 列的数据表：

gene_id, length, sample1_count, sample2_count, sample3_count

我想在现有表中添加 3 个新列，这些列代表样本 1、样本 2 和样本 3 的标准化计数（即将每个基因的每个样本计数除以计数总数）。

如何创建 3 个新列？或者我第一次在unix中生成文件时需要这样做吗？

【问题讨论】：

标签： r

【解决方案1】：

我们可以使用data.table的方式来做到这一点

library(data.table)
nm1 <- grep("^sample\\d+_count", names(df1), value = TRUE)
setDT(df1)[, paste0("Norm_", nm1) := lapply(.SD, `/`, .N), gene_id, .SDcols = nm1]

如果是除以sum

setDT(df1)[, paste0("Norm_", nm1) := lapply(.SD, function(x) x/sum(x)), 
                             gene_id, .SDcols = nm1]

【讨论】：

【解决方案2】：

包含一个最小可重现示例可能会有所帮助，但以下将调用一个函数，用于将字段除以 mtcars 数据集中的柱面数，并将输出存储在新变量名下：

mtcars
fields_input <- c('hp', 'disp')
fields_output <- c('hp_per_cyl', 'disp_per_cyl')
divide_by_cyl <- function(v) v / mtcars[['cyl']]
mtcars[fields_output] <- lapply(mtcars[fields_input], divide_by_cyl)
mtcars

【讨论】：

【解决方案3】：

在我看来，您的数据可以使用长格式更好地表示。使用长格式并使用data.table，您的问题会变得更加简单：

# Some sample data
dt <- data.table(
         gene_id = sample(LETTERS, 10),
         length = sample(1:25, 10),
         sample1 = sample(1:1000, 10),
         sample2 = sample(1:1000, 10),
         sample3 = sample(1:1000, 10))

# Convert to long format
dt_long = melt(dt, id.vars = c("gene_id", "length"), value.name = "count")

# Calculate your normalized counts for each gene_id / length combination
dt_long[, normalized_count := count / sum(count), by = c("gene_id", "length")]

如果您再次需要宽格式输出，您可以随时使用：

dcast(dt_long, gene_id + length ~ variable)

得到：

gene_id length   sample1    sample2    sample3
 1:       B     16 0.2666667 0.05232068 0.68101266
 2:       C      6 0.7737226 0.01459854 0.21167883
 3:       J      3 0.4131455 0.41549296 0.17136150
 4:       P     13 0.4846847 0.44054054 0.07477477
 5:       Q     23 0.3425573 0.11545802 0.54198473
 6:       R     12 0.6018576 0.21114551 0.18699690
 7:       S      4 0.5416924 0.30759728 0.15071032
 8:       T     24 0.1838666 0.40694006 0.40919333
 9:       X     11 0.4468085 0.45319149 0.10000000
10:       Z     20 0.2267706 0.43144899 0.34178038

【讨论】：

【解决方案4】：

这是一些可重复的数据：

 set.seed(1)
 df <- data.frame(gene_id = 1:5, 
                  length = sample(1:100, 5), 
                  sample1_count = sample(1:10, 5), 
                  sample2_count = sample(1:10, 5), 
                  sample3_count = sample(1:10, 5))

这是如何通过样本计数进行归一化、重命名归一化列并最终将归一化列连接到原始数据框（使用基本 R 函数）：

norms <- sapply(df[ c("sample1_count", "sample2_count", "sample3_count")], function(x) x/sum(x))
colnames(norms) <- sub("count", "norm", colnames(norms))
df2 <- cbind(df, norms)

以下是标准化计数：

df2[, c("gene_id", "length", "sample1_norm", "sample2_norm", "sample3_norm")]
  gene_id length sample1_norm sample2_norm sample3_norm
1       1     27   0.29032258   0.11538462   0.15151515
2       2     37   0.32258065   0.07692308   0.21212121
3       3     57   0.19354839   0.23076923   0.24242424
4       4     89   0.16129032   0.38461538   0.09090909
5       5     20   0.03225806   0.19230769   0.30303030

【讨论】：