как изменить гетерогенные двойные буквы в г

Question

У меня есть кадр данных:

DF = read.table(text="S01 S02  S03 S04 S05 S06 
TT  CC  TT  CT  TT  00 
AC  AA  AC  CC  AA  AA 
CC  TC  CC  TT  CC  00 
CC  AC  CC  AC  AA  CC 
GG  00  TG  TT  GG  TG 
GG  GA  GG  GA  GG  GG", header=T, stringsAsFactors=F) 

Я хотел бы изменить все разнородные значения (двойные буквы), чтобы удвоить «00» в более быстрый способ. Результат ожидается:

S01 S02  S03 S04 S05 S06 
TT  CC  TT  00  TT  00 
00  AA  00  CC  AA  AA 
CC  00  CC  TT  CC  00 
CC  00  CC  00  AA  CC 
GG  00  00  TT  GG  00 
GG  00  GG  00  GG  GG 

ценят любой помогает!

Answer 1

Вы можете использовать регулярное выражение отрицательных опережающей

as.data.frame(gsub("^(.)(?!\\1).$","00", as.matrix(DF), perl=T)) 
# S01 S02 S03 S04 S05 S06 
# 1 TT CC TT 00 TT 00 
# 2 00 AA 00 CC AA AA 
# 3 CC 00 CC TT CC 00 
# 4 CC 00 CC 00 AA CC 
# 5 GG 00 00 TT GG 00 
# 6 GG 00 GG 00 GG GG 

Answer 2

я собираюсь предположить, что это генетическая данные. Это позволяет легко построить все разнородные пар оснований, и заменить их с помощью регулярных выражений:

bases <-c("A","C","G","T") 
b1 <- rep(bases, 4) 
b2 <- rep(bases, each=4) 
hetero<- paste0(b1[b1!=b2],b2[b2!=b1]) 

DF[] <- lapply(DF,gsub, pattern=paste0(hetero,collapse="|"),replacement="00") 

ИЛИ

m <- as.matrix(DF) 
m[m %in% hetero] <- "00" 
res <- as.data.frame(m) 

Бенчмарки

Поскольку бенчмаркинг это весело, и есть много различные решения в этой теме. Удивительный вывод: различия не очень большие, а победителем является Дэвид Х (второй второй Конрад).

Результаты на dataframe с 1000 столбцов и 1000 строк:

Unit: milliseconds 
    expr  min  lq  mean median  uq  max neval cld 
MrFlick 402.0281 477.4867 494.6892 484.5600 504.6442 592.0486 50 d 
    Heroka 227.1143 298.8655 333.7875 309.4572 375.5734 459.6164 50 c 
Heroka2 696.2465 710.0094 733.5981 717.8195 775.4891 803.7156 50  e 
    DavidH 124.7802 127.9947 137.0511 130.3487 134.9696 210.5570 50 a  
    Konrad 144.0454 214.8844 231.9005 221.9659 291.3668 344.4238 50 b 
Konrad2 699.5301 711.7724 750.1756 736.2112 787.4504 849.0606 50  e 


#Data generated: 

b1 <- rep(bases, 4) 
b2 <- rep(bases, each=4) 
all <- paste0(b1,b2) 
largedat <- data.frame(matrix(sample(all,1000000,T),ncol=1000)) 

#benchmarking code 

tests <- microbenchmark(
    MrFlick = MrFlick(largedat), 
    Heroka = Heroka (largedat), 
    Heroka2= Heroka2(largedat), 
    DavidH=DavidH(largedat), 
    Konrad = Konrad(largedat), 
    Konrad2 = Konrad2(largedat), 
    times=50) 
# Functions used: 

MrFlick <- function(DF){ 
    as.data.frame(gsub("^(.)(?!\\1).$","00", as.matrix(DF), perl=T)) 
} 

Heroka <- function(DF){ 
    bases <-c("A","C","G","T") 
    b1 <- rep(bases, 4) 
    b2 <- rep(bases, each=4) 
    hetero<- paste0(b1[b1!=b2],b2[b2!=b1]) 
    m <- as.matrix(DF) 
    m[m %in% hetero] <- "00" 
    res <- as.data.frame(m) 
    res 
} 

Heroka2 <- function(DF){ 
    DF[] <- lapply(DF,gsub, pattern=paste0(hetero,collapse="|"),replacement="00") 
    DF 
} 

DavidH <- function(DF){ 
    ex <- expand.grid(c("A","T","C","G"),c("A","T","C","G")) 
    ex <- ex[ex[1]!=ex[2],] 
    het.combs <- apply(ex,1,function(i) {paste0(i[1],i[2])}) 
    map <- setNames(rep("00",length(het.combs)) , het.combs) 
    fac.df<- lapply(DF, as.factor) 

    fac.df <- lapply(fac.df, function(i){levels(i)[levels(i) %in% names(map)] <- map[levels(i)[levels(i) %in% names(map)]];i }) 
    DF <- as.data.frame(fac.df) 
} 

Konrad <- function(DF){ 
    bases = c('A', 'C', 'G', 'T') 
    homozygous = apply(cbind(bases, bases), 1, paste, collapse = '') 

    DF = as.matrix(DF) 
    DF[! DF %in% homozygous] = '00' 
    DF 
} 

Konrad2 <-function(DF){ 
    bases = c('A', 'C', 'G', 'T') 
    homozygous = apply(cbind(bases, bases), 1, paste, collapse = '') 
    DF = data.frame(lapply(DF, function (x) ifelse(x %in% homozygous, x, '00'))) 
} 

Answer 3

Поскольку вы указали, что вы предпочли бы быстрое решение, я старался избегать регулярных выражений и вместо того, чтобы заменить уровни:

ex <- expand.grid(c("A","T","C","G"),c("A","T","C","G")) 
ex <- ex[ex[1]!=ex[2],] 
het.combs <- apply(ex,1,function(i) {paste0(i[1],i[2])}) 
map <- setNames(rep("00",length(het.combs)) , het.combs) 
fac.df<- lapply(DF, as.factor) 

fac.df <- lapply(fac.df, function(i){levels(i)[levels(i) %in% names(map)] <- map[levels(i)[levels(i) %in% names(map)]];i }) 
DF <- as.data.frame(fac.df) 

Answer 4

Просто создайте вектор «гомозиготных» баз и используйте его для индексации ваших данных. К сожалению, такой тип индексирования работает только с матрицами (а не с файловыми кадрами), поэтому мы соответствующим образом преобразуем данные.

bases = c('A', 'C', 'G', 'T') 
homozygous = apply(cbind(bases, bases), 1, paste, collapse = '') 

DF = as.matrix(DF) 
DF[! DF %in% homozygous] = '00' 

В качестве альтернативы, вы можете просто использовать ifelse на каждом отдельном столбце dataframe. Фактически, этот метод проще, чем матричный подход, и потенциально быстрее. Существенная часть здесь заключается в том, что вам вообще не нужно использовать регулярные выражения - на самом деле просто нет причин прибегать к регулярному выражению для точного соответствия вообще.

DF = data.frame(lapply(DF, function (x) ifelse(x %in% homozygous, x, '00'))) 

Answer 5

Во-первых, я был бы признателен за сравнение Heroka в бенчмаркинга, быстрое решение Дэвида и лаконичных сценарий MrFlick в. Я также благодарю все остальные ответы. Основываясь на ваших решениях, у меня есть решение быстрее, что сочетает решения MrFlick и David H. Когда указано DF, stringsAsFactors=T

DF <- data.frame(lapply(DF, function(x) { 
    levels(x) <- gsub("^(.)(?!\\1).$","00", levels(x), perl=T) 
    return(x) 
}))