如何通过 R 中的 dplyr 逐行选择 tibble 中的随机元素？

Question

我有 3 个人的一些 DNA 数据（等位基因），每行代表一个 SNP。为了获得一些可共享的测试数据，我想将数据按行随机抽样到一个新的 tibble 中，以获取一些不代表真人的假 DNA 数据。

例如，我最初的 tibble data 可能如下所示：

person_1,   person_2,   person_3

AA,         AG,         GG (i.e. data from person_1   person_2   person_3)

AC,         CC,         AC (i.e. data from person_1   person_2   person_3)

..         ..         ..

我希望结果是这样的：

random_1,  random_2,  random_3

GG,         AA,        AG (i.e. randomly assigned to person_3, person_1, person_2)

CC,         AC,        AC (i.e. randomly assigned to person_2, person_3, person_1)

...

我已经可以用下面的代码做到这一点：

data %>% 
  split(f = 1:nrow(.)) %>% 
  purrr::map_dfr(~ .x[,sample(1:ncol(.x),ncol(.x))] %>% 
                   rename( setNames(object = names(.),
                                    nm = paste0("test_",sprintf("%02d", 1:length(.))))
                   )
  )

但是，我的挑战是我的 tibble 有超过 700.000 行，这使得上面的代码非常慢。我曾尝试通过dplyr 包中的mutate()、rowwise() 和across 进行操作，但没有成功。

对其他更快的方法有什么建议吗？

Answer 1

我们可以使用pmap（来自purrr）和sample。

library(dplyr)
library(purrr)
library(stringr)
df1 %>%
    pmap_dfr(~ sample(c(...))) %>%
    rename_all(~ str_c('random_', seq_along(.)))

-输出

# A tibble: 2 x 3
#  random_1 random_2 random_3
#  <chr>    <chr>    <chr>   
#1 AG       AA       GG      
#2 CC       AC       AC    

---

或者另一种选择是重塑为“长”格式，按slice_sample 进行分组，然后重新整形为“宽”

library(tidyr)
df1 %>%
   mutate(rn = row_number()) %>% 
   pivot_longer(cols = -rn) %>% 
   group_by(rn) %>% 
   slice_sample(prop = 1) %>% 
   mutate(name = str_c('random_', row_number())) %>% 
   ungroup %>% 
   pivot_wider(names_from = name, values_from = value)
# A tibble: 2 x 4
#     rn random_1 random_2 random_3
#  <int> <chr>    <chr>    <chr>   
#1     1 AG       GG       AA      
#2     2 CC       AC       AC   

---

有一个使用rowwise的选项，但是假设行数为700000，效率会降低

df1 %>% 
   rowwise %>%
   transmute(col1 = list(sample(c_across(everything())))) %>%
   unnest_wider(c(col1), names_repair =  ~ str_c('random_', seq_along(.)))
# A tibble: 2 x 3
#  random_1 random_2 random_3
#  <chr>    <chr>    <chr>   
#1 AG       AA       GG      
#2 CC       AC       AC      

---

在base R 中，这可以使用apply 完成

out <- as.data.frame(t(apply(df1, 1, sample)))
names(out) <- paste0('random_', seq_along(out))

数据

df1 <- structure(list(person_1 = c("AA", "AC"), person_2 = c("AG", "CC"
), person_3 = c("GG", "AC")), class = "data.frame", row.names = c(NA, 
-2L))