R合并数据帧顺序求和元素 - 棘手。

Question

我有一系列要合并的数据框，按顺序对特定元素求和。作为背景，这些是基因组序列数据的单独分区文件，它们沿着比对引用基因区域（将其视为字符串的部分）。我已将序列比对合并在一起，因此需要将分区文件合并在一起，同时保留分区的相对位置。最好让它尽可能通用以适应任何数量和长度的单个分区文件。

合并和求和需要像这样工作：

1. 第二列元素是前一行的第三列元素加一。
2. 对于第一个数据帧，第三列：第一个元素等于 n，第二个元素等于 2n，第三个元素是 3n，依此类推。
3. 在新合并的数据帧中，第三列的第一个元素将变为其值 (x) 加上前一个数据帧中第三列的最后一个元素 (x + ?n)。然后将 x 添加到每一行的 x + ?n 中，直到数据框结束或合并新的数据框。

一个简单的例子会更好地解释。

这是区域 1 的数据框：

                  V1    V2    V3 
Region_1_Partition_1     1   500
Region_1_Partition_2   501  1000
Region_1_Partition_3  1001  1500

这里是区域 2：

                  V1    V2   V3 
Region_2_Partition_1     1  200
Region_2_Partition_2   201  400
Region_2_Partition_3   401  600

最终的分区文件需要是这样的：

                  V1    V2    V3 
Region_1_Partition_1     1   500
Region_1_Partition_2   501  1000
Region_1_Partition_3  1001  1500
Region_2_Partition_1  1501  1700
Region_2_Partition_2  1701  1900
Region_2_Partition_3  1901  2001

我想到目前为止我还没有找到许多巧妙的解决方案！

谢谢 C

Answer 1

编辑：抱歉，我通常浏览 data.table() 特定问题，但没有注意到这个问题是关于数据框的！相应地改变了我的答案

我会将“n”保留为一列，以便您可以在最后一帧中 cumsum() 它。我不会通过merge 而是通过rbind() 实现这一目标

首先“重新创建”您的数据

region1 <- data.frame(
  label=c('Region_1_Partition_1', 'Region_1_Partition_2', 
'Region_1_Partition_3'),
  V4=500
)

region1$V3 <- cumsum(region1$V4)
region1$V2 <- region1$V3 - region1$V4 + 1
region1[, c('label', 'V2', 'V3')]

最后一条命令返回

                  label   V2   V3
1: Region_1_Partition_1    1  500
2: Region_1_Partition_2  501 1000
3: Region_1_Partition_3 1001 1500

类似的代码，用V4=200可以给region2。

现在执行你的组合，

out <- rbind(region1[, c('label', 'V4')], region2[, c('label', 'V4')])

out$V3 <- cumsum(out$V4)
out$V2 <- out$V3 - out$V4 + 1
out[, c('label', 'V2', 'V3')]


                  label   V2   V3
1: Region_1_Partition_1    1  500
2: Region_1_Partition_2  501 1000
3: Region_1_Partition_3 1001 1500
4: Region_2_Partition_1 1501 1700
5: Region_2_Partition_2 1701 1900
6: Region_2_Partition_3 1901 2100

另一个编辑：如何将解决方案扩展到更多的分区。

我可以在这里看到两个挑战，第一个是需要rbind() 所有的东西，第二个是需要确定在V4 列中使用什么。

可能有一种更有效的 R 方式来执行此操作（例如将所有表存储在一个列表中，然后将它们展平为一个表）。我只会使用 for 循环。

假设您将所有文件名放在一个名为 files 的向量中。

out <- data.frame()
for (file in files) {

  # read the file. prepend a path before this step if necessary
  data <- read.csv(file)

  # determine V4.  This assumes that V3 is guaranteed to have a constant difference in any given file 
  # and that the first row is that difference, as in your example data
  data$V4 <- data$V3[1]

  data <- data[, c('V1', 'V4')] #note that I switched my first colname to match yours

  out <- rbind(out, data)
}

# Recover V2 and V3
out$V3 <- cumsum(out$V4)
out$V2 <- out$V3 - out$V4 + 1
out[, c('V1', 'V2', 'V3')]

请注意，您的文件必须有序，否则cumsum() 将不正确。如果文件不按顺序排列，您可以在构建 te out 表之后和使用 cumsum() 之前重新排序它们