【问题标题】:How can I compare rows of ONE dataframe in R?如何比较 R 中 ONE 数据框的行?
【发布时间】:2020-08-11 11:03:38
【问题描述】:

我有一个包含很多行和至少 13 列的数据框。我需要将每一行与前一行进行比较,看看它在两列中是否完全相同,而在其余列中是否不同。

如果两列中的两行相等,我想将这些行放在一个新的数据框中。

这是我的数据框。

前三行有样本“Sample”,但只有两行,相同的“Gene”。第 7 行和第 8 行也有相同的样本和基因。

我想要一个新的 DATAFRAME,其中只有具有相同样本和相同基因的行。像这样:

我写了这段代码:

Vec_sample <- c()    
Vec_genes <- c()
Vec_variants <- c()
Vec_chr <- c()
Vec_coordinate <- c()
Vec_aa <- c()
Vec_Rs <- c()
`%notin%` <- Negate(`%in%`)


for (row in 1:nrow(dataframe))
{
  for (row_compare in 1:nrow(dataframe))
  {
    if ((dataframe$Gene[row] == dataframe$Gene[row_compare]) 
        & (row != row_compare))
    {
      if ((dataframe$Sample[row] %notin% Vec_sample) &
          (dataframe$Sample[row] == dataframe$Sample[row_compare]))
      {
        
        Vec_sample <- c(Vec_sample , dataframe$Sample[row])
        Vec_sample <- c(Vec_sample , dataframe$Sample[row_compare])
        Vec_genes <- c(Vec_genes, dataframe$Gene[row])
        Vec_genes <- c(Vec_genes, dataframe$Gene[row_compare])
        Vec_variants <- c(Vec_variants , dataframe$Variants[row])
        Vec_variants <- c(Vec_variants , dataframe$Variants[row_compare])
        Vec_chr <- c(Vec_chr , dataframe$Chr[row])
        Vec_chr <- c(Vec_chr , dataframe$Chr[row_compare])
        Vec_coordinate <- c(Vec_coordinate, dataframe$Coordinate[row])
        Vec_coordinate <- c(Vec_coordinate, dataframe$Coordinate[row_compare])
        Vec_aa <- c(Vec_aa , dataframe$aa[row])
        Vec_aa <- c(Vec_aa , dataframe$aa[row_compare])
        Vec_Rs <- c(Vec_Rs , dataframe$Rs[row])
        Vec_Rs <- c(Vec_Rs , dataframe$Rs[row_compare])
      }
    }
  }
}

最后,当循环结束时,我用结果创建一个数据框。

final_dataframe <- data.frame(Vec_sample, Vec_genes, Vec_variants, Vec_chr, Vec_coordinate, Vec_aa, Vec_Rs).

一切都在循环中重复,因为我需要一对相等的样本和基因(当然还有其余信息)。 我写了两个 for 循环,因为我想将实际基因与另一个进行比较。

问题?如果样本已经保存在向量“Vec_sample”中,如果有另一对具有相同样本,我的脚本将不会保存这对。 (例如样本14-043,首先会保存ALG9这对基因,但不会保存MNS1这对基因)。

这是我的错误的新数据框

我放了这个例外,因为当我运行两个循环时,表格会被检查不止一次,它会保存基因对很多次,并且会重复。

对不起,如果我的语法或编程方式效率低下,我是从这个世界开始的,我并不是真正的专家。

我希望我已经很好地解释了自己。 提前非常感谢您

我提供输入数据。

 structure(list(Sample = c("14-043", "14-043", "14-043", "14-043", 
"14-043", "14-043", "14-077", "14-077", "13-340", "15-642", "15-642", 
"15-642", "12-975"), Gene = c("ALG9", "ALG10B", "ALG9", "SLC5A9", 
"MNS1", "MNS1", "ALG9", "ALG9", "GPI", "MNS1", "HK3", "MNS1", 
"HK3"), Variant = c("T>T/G", "C>A/G", "C>C/G", "A>A/T", "A>T/T", 
"C>C/T", "T>T/G", "C>C/G", "C>G/G", "A>T/T", "T>T/A", "C>C/T", 
"T>T/A"), Chr = c(4, 4, 4, 13, 2, 2, 4, 4, 20, 2, 8, 2, 8), Coordinate = c(23410158, 
3422351, 23410451, 2341043423, 324652341, 3246520, 23410158, 
23410451, 234541, 324652341, 23412341, 3246520, 23412341), aa = c("Gly44Thr", 
"His8Pro", "Ser44Thr", "Thr4Pro", "Ala45Ala", "Ala45Leu", "Gly44Thr", 
"Ser44Thr", "Phe3Ala", "Ala45Ala", "Val34His", "Ala45Leu", "Val34His"
), Rs = c("rs1715919", "rs1734532413", "rs1732413", "rs173240", 
"rs12305", "rs10356", "rs1715919", "rs1732413", "rs12342", "rs12305", 
"rs9997", "rs10356", "rs9997")), row.names = c(NA, -13L), class = "data.frame")

【问题讨论】:

  • 这绝对不是我们在 R 中执行此操作的方式。要比较行,您可以从 head(DF, -1) == tail(DF, -1) 之类的内容开始。您不需要循环,您可以使用子集提取行。
  • 请不要以图片形式提供数据。在您的答案中将其作为(格式化)文本提供。我们可以从图片中复制数据。
  • 请您以文本而不是图像的形式提供数据。最好使用dput(dataframe) 方便导入
  • 为什么不包括第 1 行和第 2 行?他们有相同的样本和基因,不是吗?
  • @Roland 很抱歉。我无法附上图片,只能附上链接,因为我是新来的。

标签: r dataframe compare rows bioinformatics


【解决方案1】:

如果我理解正确,您可以使用 dplyr:filter 执行此操作,使用 leadlag 检查上一行和下一行

df <- structure(list(Sample = c("14-043", "14-043", "14-043", "14-043", 
                          "14-043", "14-077", "14-077", "13-340", "15-642", "15-642", "12-975"
), Gene = c("ALG9", "ALG9", "SLC5A9", "MNS1", "MNS1", "ALG9", 
            "ALG9", "GPI", "MNS1", "MNS1", "HK3"), Variant = c("T>T/G", "C>C/G", 
                                                               "A>A/T", "A>T/T", "C>C/T", "T>T/G", "C>C/G", "C>G/G", "A>T/T", 
                                                               "C>C/T", "T>T/A"), Chr = c(4, 4, 13, 2, 2, 4, 4, 20, 2, 2, 8), 
Coordinate = c(23410158, 23410451, 2341043423, 324652341, 
               3246520, 23410158, 23410451, 234541, 324652341, 3246520, 
               23412341), aa = c("Gly44Thr", "Ser44Thr", "Thr4Pro", "Ala45Ala", 
                                 "Ala45Leu", "Gly44Thr", "Ser44Thr", "Phe3Ala", "Ala45Ala", 
                                 "Ala45Leu", "Val34His"), Rs = c("rs1715919", "rs1732413", 
                                                                 "rs173240", "rs12305", "rs10356", "rs1715919", "rs1732413", 
                                                                 "rs12342", "rs12305", "rs10356", "rs9997")), row.names = c(NA, 
                                                                                                                            -11L), class = "data.frame")
library(tidyverse)
df %>% filter(Sample == lag(Sample) | Sample == lead(Sample), 
              Gene == lag(Gene) | Gene == lead(Gene))
#>   Sample Gene Variant Chr Coordinate       aa        Rs
#> 1 14-043 ALG9   T>T/G   4   23410158 Gly44Thr rs1715919
#> 2 14-043 ALG9   C>C/G   4   23410451 Ser44Thr rs1732413
#> 3 14-043 MNS1   A>T/T   2  324652341 Ala45Ala   rs12305
#> 4 14-043 MNS1   C>C/T   2    3246520 Ala45Leu   rs10356
#> 5 14-077 ALG9   T>T/G   4   23410158 Gly44Thr rs1715919
#> 6 14-077 ALG9   C>C/G   4   23410451 Ser44Thr rs1732413
#> 7 15-642 MNS1   A>T/T   2  324652341 Ala45Ala   rs12305
#> 8 15-642 MNS1   C>C/T   2    3246520 Ala45Leu   rs10356

reprex package (v0.3.0) 于 2020-08-11 创建

【讨论】:

  • 有效!但是我在我的例子中没有考虑到基因可能不在一起......(我想解释得很简单,用一个简化的例子,我忘了)。我把输入数据重新放了,错了见谅。
  • 关于我的其他消息,我解决了这个问题,按基因排序,现在没有问题了。非常感谢!!!
猜你喜欢
  • 2020-02-14
  • 1970-01-01
  • 1970-01-01
  • 2022-08-07
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2018-01-25
相关资源
最近更新 更多