【发布时间】:2015-07-09 09:11:43
【问题描述】:
假设我有这个 data.table(实际数据是 25061 x 5862):
require(data.table)
df
# gene P1 P2 P3 P4 P5
# 1: gene1 0.111 0.319 0.151 NA -0.397
# 2: gene10 1.627 2.252 1.462 -1.339 -0.644
# 3: gene2 -1.766 -0.056 -0.369 1.910 0.981
# 4: gene3 -1.346 1.283 0.322 -0.465 0.403
# 5: gene4 -0.783 NA -0.005 1.761 0.066
# 6: gene5 0.386 -0.309 -0.886 -0.072 0.161
# 7: gene6 0.547 -0.144 -0.725 -0.133 1.059
# 8: gene7 0.785 -1.827 0.986 1.555 -0.798
# 9: gene8 -0.186 NA 0.401 0.900 -1.075
# 10: gene9 -0.177 1.497 -1.370 -1.628 -1.044
我想知道如何利用 data.table 结构有效地计算每对基因值有多少对没有 NA。例如,对于基因1、基因2,我希望结果为4。
使用基础 R,我这样做:
calc_nonNA <- !is.na(df[, -1, with=F])
Effectifs <- calc_nonNA %*% t(calc_nonNA)
# or, as suggested by @DavidArenburg and @Khashaa, more efficiently:
Effectifs <- tcrossprod(calc_nonNA)
但是,如果 df 很大,则需要几个小时...
我想要的输出,提供的例子是这样的:
gene1 gene10 gene2 gene3 gene4 gene5 gene6 gene7 gene8 gene9
gene1 4 4 4 4 3 4 4 4 3 4
gene10 4 5 5 5 4 5 5 5 4 5
gene2 4 5 5 5 4 5 5 5 4 5
gene3 4 5 5 5 4 5 5 5 4 5
gene4 3 4 4 4 4 4 4 4 4 4
gene5 4 5 5 5 4 5 5 5 4 5
gene6 4 5 5 5 4 5 5 5 4 5
gene7 4 5 5 5 4 5 5 5 4 5
gene8 3 4 4 4 4 4 4 4 4 4
gene9 4 5 5 5 4 5 5 5 4 5
数据
df <- structure(list(gene = c("gene1", "gene10", "gene2", "gene3",
"gene4", "gene5", "gene6", "gene7", "gene8", "gene9"), P1 = c(0.111,
1.627, -1.766, -1.346, -0.783, 0.386, 0.547, 0.785, -0.186, -0.177
), P2 = c(0.319, 2.252, -0.056, 1.283, NA, -0.309, -0.144, -1.827,
NA, 1.497), P3 = c(0.151, 1.462, -0.369, 0.322, -0.005, -0.886,
-0.725, 0.986, 0.401, -1.37), P4 = c(NA, -1.339, 1.91, -0.465,
1.761, -0.072, -0.133, 1.555, 0.9, -1.628), P5 = c(-0.397, -0.644,
0.981, 0.403, 0.066, 0.161, 1.059, -0.798, -1.075, -1.044)), .Names = c("gene",
"P1", "P2", "P3", "P4", "P5"), class = c("data.table", "data.frame"
), row.names = c(NA, -10L), .internal.selfref = <pointer: 0x022524a0>)
【问题讨论】:
-
tcrossprod(x)比x%*%t(x)快 -
@Frank,我正在使用的当前 df 是 25061 x 5862(包括带有名称的列),但我以后可以使用具有更多行和/或更多列的 dfs。我也在为具有相同行数但列数较少的 df 进行这些计算
-
哦,哎呀,注意到您在之前的评论中也提到了这一点。可能想在问题本身中加入一些关于此的内容。我猜 NA 的频率也可能是相关的,
sum(calc_nonNA)/length(calc_nonNA)。我很想看看人们发现了什么,但我自己没有任何想法。 -
@Frank 可以进行编辑。我不喜欢你评论的远端;-)。关于 NA,这是相当“随机”的,有些行没有,而有些行有很多......
-
@CathG,唉,sparse 方法不如那种稀疏性。
标签: r data.table