基于字符结尾的数据帧子集答案

【问题标题】：Subsetting a Data Frame Based on Character Ending基于字符结尾的数据帧子集
【发布时间】：2018-09-05 04:13:13
【问题描述】：

我是 R 的新手。我有一个 data.frame。开头和结尾分别是这样的：

我想要做的是根据“条形码”列的最后一位数字对该数据框进行子集化。数字从 1 到 16，所以有 16 个组。我想将这 16 人分成 5 组。例如，所有以“1”和“2”结尾的条形码将成为数据帧的一个子集，所有以“3”、“4”和“5”结尾的条形码将进入另一个子集，依此类推。

我使用which() 和endsWith() 函数进行了尝试：

my_frame = data.frame()
character_one = as.character(1)
subset_by_group_one <- my_frame[which(endsWith(my_frame, character_one)),]

但是，我收到以下错误：

Error in endsWith(barcode_subset, character_one) : non-character object(s)

似乎基于R documentation，endsWith() 函数必须接受一个字符，而不是一个数据框。然而，我想在我的数据框中使用它——或类似的东西——来对其进行子集化。最好的方法是什么？有没有办法将数据框强制转换为字符？我需要使用循环来遍历数据框吗？

【问题讨论】：

1,2 第一个数据帧，3,4,5 第二个数据帧，剩下的呢？锄头你确定？ 6,7,8,9,10,11,12,13,14.15,16?您如何将其分解为剩余的 3 个数据框？
请使用例如dput或head以纯文本形式提供数据，而不是图像，以便其他用户可以复制/粘贴。
问题是my_frame 是一个完整的数据框而不是一列。你可能想要endsWith(my_frame$barcode,...)
一般来说，学习一些有关数据帧和子集如何在 R 中工作的基础知识，您会受益匪浅。以下是一些建议阅读：adv-r.had.co.nz/Subsetting.html 请不要发布图片您的数据或代码。
@Dan Hall，抱歉粘贴图片并感谢您提供链接。我希望明天有时间通读它和下面的 cmets。

标签： r regex dataframe subset

【解决方案1】：

您想根据正则表达式模式对行进行子集化（以“16”结尾，即"16$"。我认为最直接的方法是使用逻辑向量，该逻辑向量对于那些结束的行是正确的在 16. 使用grepl(pattern, x) 生成逻辑向量，其中x 是包含您感兴趣的值的列。然后通过在子集表达式my_frame[<index vector>,] 的行位置使用该逻辑索引向量根据行进行子集. 看看下面的数据是如何模拟的。drop 设置为 FALSE 以防行名实际上是行名而不是另一列（并且您没有另一列）。

my_frame[grepl("16$", my_frame$barcode),, drop = FALSE]
#                               barcode other
# GACCTAAATGCCTGT-16 GACCTAAATGCCTGT-16  blah
# GAAATTGACATGACT-16 GAAATTGACATGACT-16  blah

数据：

barcode <- replicate(32, {
  paste(sample(c("T", "A", "C", "G"), 15, replace = TRUE), collapse = "")
})
barcode <- paste0(barcode, "-", 1:16)
my_frame <- data.frame(row.names = barcode, barcode = barcode, other = rep("blah", 32), stringsAsFactors = FALSE)
head(my_frame)
#                             barcode other
# GTCCGGTGATGATAA-1 GTCCGGTGATGATAA-1  blah
# CTGCTACATATAGAA-2 CTGCTACATATAGAA-2  blah
# GTGACCGTGGTCGAA-3 GTGACCGTGGTCGAA-3  blah
# TCTAGGACGATTACT-4 TCTAGGACGATTACT-4  blah
# GAGGGAGGCGTCCAT-5 GAGGGAGGCGTCCAT-5  blah
# CAGCAGCCTCCACCG-6 CAGCAGCCTCCACCG-6  blah

【讨论】：

【解决方案2】：

我正在使用 Dan Hall 的示例。这通过删除包括破折号在内的所有材料来构建“拆分/分组向量”，将其转换为数字，然后使用 findInterval 进行分组。分组有点不清楚，但您可以修改 findInterval 的第二个参数来调整：

 grp <- findInterval( as.numeric( gsub("^.+[-]", "", my_frame$barcode)), 
                       c(.5, 2.5, 5.5, 8.5, 12.5, 16.5)) #split boundaries
> split( my_frame, grp)
$`1`
                            barcode other
TCGCGCGTTACATGT-1 TCGCGCGTTACATGT-1  blah
GCGTGTTATCCGCCT-2 GCGTGTTATCCGCCT-2  blah
CTCCCTCTTCTGTGC-1 CTCCCTCTTCTGTGC-1  blah
TTCTTGTGCGACAAA-2 TTCTTGTGCGACAAA-2  blah

$`2`
                            barcode other
CTTACGTCGTCAGCA-3 CTTACGTCGTCAGCA-3  blah
CCCATGTGTGACTAC-4 CCCATGTGTGACTAC-4  blah
GAGCCCAGAACTGTG-5 GAGCCCAGAACTGTG-5  blah
GTTGGCGAGCAGCAT-3 GTTGGCGAGCAGCAT-3  blah
ATTTAGGGGACCCAA-4 ATTTAGGGGACCCAA-4  blah
TGGCCAATGCGTTGA-5 TGGCCAATGCGTTGA-5  blah

$`3`
                            barcode other
TCCGTCCGGGGAGGA-6 TCCGTCCGGGGAGGA-6  blah
TTCAAATCGTCTACT-7 TTCAAATCGTCTACT-7  blah
AGGTACAATCTCGCA-8 AGGTACAATCTCGCA-8  blah
CGTGACTCCAATGGT-6 CGTGACTCCAATGGT-6  blah
CCGGGGGGTTGCCCC-7 CCGGGGGGTTGCCCC-7  blah
CTTTAAGTGTGTCAG-8 CTTTAAGTGTGTCAG-8  blah

$`4`
                              barcode other
TGCTGACAGTTAGAG-9   TGCTGACAGTTAGAG-9  blah
GGAAGGTGCAGAGGC-10 GGAAGGTGCAGAGGC-10  blah
AATTTAGGGCGGCCT-11 AATTTAGGGCGGCCT-11  blah
CCATCATGCGGGACG-12 CCATCATGCGGGACG-12  blah
TCCGAATCTGAGCAA-9   TCCGAATCTGAGCAA-9  blah
TCCCACCCTTTCTCG-10 TCCCACCCTTTCTCG-10  blah
CTCCTGGTCGCCACA-11 CTCCTGGTCGCCACA-11  blah
TCCCGCAACATGTAC-12 TCCCGCAACATGTAC-12  blah

$`5`
                              barcode other
TAAGAGTGCCAGTCC-13 TAAGAGTGCCAGTCC-13  blah
ACTCCACTGCCCAAC-14 ACTCCACTGCCCAAC-14  blah
CACCGTGGGTGCACA-15 CACCGTGGGTGCACA-15  blah
TGGGTGTCTGTCATG-16 TGGGTGTCTGTCATG-16  blah
CTGACATTGGTACAC-13 CTGACATTGGTACAC-13  blah
GCGCAGGTTCGAACC-14 GCGCAGGTTCGAACC-14  blah
TTTTTTCCCCCGACC-15 TTTTTTCCCCCGACC-15  blah
CCCAGCTGCCATTGA-16 CCCAGCTGCCATTGA-16  blah

【讨论】：

【解决方案3】：

其实你要找的函数是base::endsWith。它返回一个布尔向量，并将变量作为第一个参数。

df2 <- df1[endsWith(df1$z,"2"),]
#    z whatev
# 1 x2   blah
# 3 l2   blah
# 4 y2   blah
# 5 o2   blah
# 8 v2   blah

dplyr::ends_with 本质上是在dplyr 调用中使用的，尤其是 select，尽管我们可以通过注意参数顺序来使其正常工作。它返回数值，但在这种情况下它没有任何区别。

library(dplyr)    
df2 <- df1[ends_with("2",vars=df1$z),]
#     z whatev
# 1  v2   blah
# 3  s2   blah
# 8  j2   blah
# 9  n2   blah
# 10 z2   blah

数据

set.seed(1)
df1 <- data.frame(z = paste0(sample(letters,10),sample(1:3,10,T)),whatev="blah",stringsAsFactors=F)
#     z whatev
# 1  v2   blah
# 2  q3   blah
# 3  s2   blah
# 4  m1   blah
# 5  l1   blah
# 6  y1   blah
# 7  a1   blah
# 8  j2   blah
# 9  n2   blah
# 10 z2   blah

讽刺的是base::endsWith 比dplyr::ends_with 更适合dplyr::filter 呼叫。

【讨论】：

这并不是真正的 dplyr 方法。查看帮助文件中的源代码和使用示例，您会看到编写dplyr::ends_with 是为了查找名称以模式结尾的列。您可以通过将其与基本子集组合来强制它查找行，但我认为使用grepl 更直接。不过它确实有效，所以请点赞！
好吧，参数 vars 的存在是有原因的 :)，我想我会向 OP 展示如何让 endswith 在这种情况下工作。但是，是的，这有点尴尬。

【解决方案4】：

我会使用正则表达式来提取结尾，然后加入包含组信息的数据框。

一些示例数据：

library(tidyverse)
df1 <- data.frame(x = paste0("AAA-", 1:16))

一些示例组：1-2 = 1； 3-5 = 2; 6-9 = 3； 10-14 = 4； 15-16 = 5。

加入df1:

df1 %>% 
  mutate(suffix = str_match(x, "-(\\d+)$")[, 2] %>% as.numeric()) %>%
  left_join(data.frame(suffix = 1:16, 
                       group = c(1,1,2,2,2,3,3,3,3,4,4,4,4,4,5,5)))

        x suffix group
1   AAA-1      1     1
2   AAA-2      2     1
3   AAA-3      3     2
4   AAA-4      4     2
5   AAA-5      5     2
6   AAA-6      6     3
7   AAA-7      7     3
8   AAA-8      8     3
9   AAA-9      9     3
10 AAA-10     10     4
11 AAA-11     11     4
12 AAA-12     12     4
13 AAA-13     13     4
14 AAA-14     14     4
15 AAA-15     15     5
16 AAA-16     16     5

【讨论】：