有条件地查找列名以填充 r 中的新列

Question

我有一个如下所示的 data.frame：

   A C  G T
1  6 0 14 0
2  0 0 20 0
3 14 0  6 0
4 14 0  6 0
5  6 0 14 0

（实际上，我有 1800 个不同数量的行..）

只是为了解释你在看什么： 每行是一个 SNP，因此它可以是一个碱基 (A,C,G,T) 或另一个碱基 (A,C,G,T) SNP1 的主要等位基因是“G”，出现在 14 个个体中，次要等位基因是“A”，出现在数据集中 20 个个体中的 6 个。 SNP1 显示 G 的 14 个个体与 SNP3 显示 A 相同，因此 5 行的碱基组合有两种可能性：一种是 GGAAG，一种是 AGGGA。 这些可以（理论上）由相应行中包含 6 或 14 的所有单元格的列名构建，结果如下：

   A C  G T 14 6
1  6 0 14 0  G A
2  0 0 20 0  G G
3 14 0  6 0  A G
4 14 0  6 0  A G
5  6 0 14 0  G A

有没有一种优雅的方式来实现这样的目标？ 我有一段从答案到有点related question 的代码，它将返回矩阵中特定值的位置。

    mat <- matrix(c(1:3), nrow = 4, ncol = 4)
     [,1] [,2] [,3] [,4]
[1,]    1    2    3    1
[2,]    2    3    1    2
[3,]    3    1    2    3
[4,]    1    2    3    1

    find <- function(mat, value) {
      nr <- nrow(mat)
      val_match <- which(mat == value)
      out <- matrix(NA, nrow= length(val_match), ncol= 2)
      out[,2] <- floor(val_match / nr) + 1
      out[,1] <- val_match %% nr
      return(out)
    }

    find(mat, 2)

     [,1] [,2]
[1,]    2    1
[2,]    1    2
[3,]    0    3
[4,]    3    3
[5,]    2    4

我想我可以弄清楚如何将其调整为从原始 data.frame 返回 colname 的位置，但它需要它正在寻找的值作为输入。 – 在一个数据 sn-p 中可能有几个（如上例所示，14 和 6），并且对于我的数据的每个 sn-p，它们是不同的。 在其中一些中，根本没有重复。 此外，如果其中一个值达到 20，则相应的 colname 会自动成为可供选择的值（如上例中的第 2 行所示）。

编辑 我已经尝试了 thelatemail 建议的代码，它在某些数据上运行良好，但并非对所有数据都有效。

例如，这会产生我不完全理解的结果： 子集如下所示：

    A C G T
 1  0 0 3 1
 2  0 9 0 3
 3  3 0 0 2
 4  0 3 0 2
 5  2 0 0 3
 6  0 2 0 3

    sel <- subset > 0
    ord <- order(row(subset)[sel], -subset[sel])
    haplo1 <- split(names(subset)[col(subset)[sel]][ord], row(subset)[sel][ord])

这会产生

 1
 [1] "G" "T"
 2
 [1] "C" "T"
 3
 [1] "A" "T"
 4
 [1] "C" "T"
 5
 [1] "T" "A"
 6
 [1] "T" "C"

由于每行都有一个 3，我不明白为什么这些都不属于这些可能性之一（这将导致 GTACTT 和 TCTTAC 代替）。

我也意识到我有很多缺失的等位基因，只有一两个人被发现在这个基因座上有一个碱基。 可以以某种方式包含“缺失”的列吗？ - 我试图添加它，这给了我一个关于不对应行号的错误。

Answer 1

为了让我的最小功能正常工作，我不得不将零转换为 NA。出于某种原因，na.rm=TRUE 不适用于 which.min

看看这对你有没有帮助：

A <- c(6,0,14,14,6)
C <- c(0,0,0,0,0)
G <- c(14,20,6,6,14)
T <- c(0,0,0,0,0)
mymatrix <- as.matrix(cbind(A,C,G,T))
mymatrix<-ifelse(mymatrix==0,mymatrix==NA,mymatrix)
mymatrix

major_allele <- colnames(mymatrix)[apply(mymatrix,1,which.max)] ; head(major_allele)
minor_allele <- colnames(mymatrix)[apply(mymatrix,1,which.min)] ; head(minor_allele)

myds<-as.data.frame(cbind(mymatrix,major_allele,minor_allele))
myds


> myds
     A    C  G    T major_allele minor_allele
1    6 <NA> 14 <NA>            G            A
2 <NA> <NA> 20 <NA>            G            G
3   14 <NA>  6 <NA>            A            G
4   14 <NA>  6 <NA>            A            G
5    6 <NA> 14 <NA>            G            A

Answer 2

无论每行有多少点击，这里都有一个尝试。它返回一个列表对象，这可能适用于每行不同长度的结果。

sel <- dat > 0
ord <- order(row(dat)[sel], -dat[sel])
split(names(dat)[col(dat)[sel]][ord], row(dat)[sel][ord] )
#List of 5
# $ 1: chr [1:2] "G" "A"
# $ 2: chr "G"
# $ 3: chr [1:2] "A" "G"
# $ 4: chr [1:2] "A" "G"
# $ 5: chr [1:2] "G" "A"

dat 在哪里：

dat <- read.table(text="
   A C  G T
1  6 0 14 0
2  0 0 20 0
3 14 0  6 0
4 14 0  6 0
5  6 0 14 0
", header=TRUE)