R:将单列数据帧的特定行重新排列为新列。
R:将单列数据帧的特定行重新排列为新列。
提问于 2015-05-19 19:41:15
编辑:认为，对于以后搜索的任何人来说，这些数据是我试图输出序列属性时从生物艺术获得的输出，这可能是有用的。
我有以下基因组数据：
structure(list(Sequences = structure(c(2L, 10L, 3L, 8L, 9L, 1L,
5L, 4L, 6L, 7L), .Label = c(">ENSRNOG00000000902|Hsph1", ">ENSRNOG00000001136|Pebp1",
">ENSRNOG00000001214|Pfkl", "AGAGAGGCGAGCGGCGGAGAGCGGTGGCAAATACTGAACGCAGTCTCGCAGGGTAAGCCC",
"GAGCGATTGGGACCTCCCCTTTTGGATTGGTAGCTGAGCGGCAGTGGCGGCGGCTGCGTG",
"GAGGCATCTTCCCGGCCGGTCGGGAGCAGGAGGAGCACGCAGCGGATCCCAGGCAGAGGC",
"GGACCGGGCCAGCC", "GGCGGGGACAGGCGACAGCCGCGCGGAACGCAGAGCGGCGGGAGAGGAGCTCGGGCTCCT",
"GGTCTCTGCTGCCGTC", "GTTTAACTGCACTCGGGACTCGGCGCGCGCGTGTGTCTGTTCTCTCCATCGTC"
), class = "factor")), .Names = "Sequences", class = "data.frame", row.names = c(NA,
-10L))我想重新排列数据，以便第一列显示基因ID信息(例如，对于第一种情况是：“>ENSRNOG00000001136\Pebp1 1”)，然后它下面的基因组代码行将一起出现在它旁边的列中。请注意，第7-10行有多行遗传代码。在这里，基因ID信息下面的所有字符串将连接到一行中，而不是分散在4行上。最后，我还想删除每个基因ID之前的">“符号。
因此，最终产出将是：
ID Sequence
ENSRNOG00000001136|Pebp1 GTTTAACTGCACTCGGGACTCGGCGCGCGCGTGTGTCTGTTCTCTCCATCGTC
ENSRNOG00000001214|Pfkl GGCGGGGACAGGCGACAGCCGCGCGGAACGCAGAGCGGCGGGAGAGGAGCTCGGGCTCCTGGTCTCTGCTGCCGTC
ENSRNOG00000000902|Hsph1 GAGCGATTGGGACCTCCCCTTTTGGATTGGTAGCTGAGCGGCAGTGGCGGCGGCTGCGTGAGAGAGGCGAGCGGCGGAGAGCGGTGGCAAATACTGAACGCAGTCTCGCAGGGTAAGCCCGAGGCATCTTCCCGGCCGGTCGGGAGCAGGAGGAGCACGCAGCGGATCCCAGGCAGAGGCGGACCGGGCCAGCC请注意，这仅仅是2500行数据帧的前几行。该解决方案需要足够通用，以便它可以解析序列占用的行数可能超过上面示例中显示的4行的情况。
回答 2
Stack Overflow用户
回答已采纳
发布于 2015-05-19 19:50:49
在用它是否是一个基因名(基于它是否有">")标记行之后，您可以使用cumsum来确定行的组。然后，您可以使用substr删除领先的">“，使用tapply和paste组合每个组中的所有基因。
dat$Sequences <- as.character(dat$Sequences)
(is.gene <- grepl(">", dat$Sequences))
# [1] TRUE FALSE TRUE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
(gene.groups <- cumsum(is.gene))
# [1] 1 1 2 2 2 3 3 3 3 3
data.frame(ID=substr(dat$Sequences[is.gene], 2, nchar(dat$Sequences[is.gene])),
Sequence=tapply(dat$Sequences[!is.gene], gene.groups[!is.gene], paste, collapse=""))
# ID
# 1 ENSRNOG00000001136|Pebp1
# 2 ENSRNOG00000001214|Pfkl
# 3 ENSRNOG00000000902|Hsph1
# Sequence
# 1 GTTTAACTGCACTCGGGACTCGGCGCGCGCGTGTGTCTGTTCTCTCCATCGTC
# 2 GGCGGGGACAGGCGACAGCCGCGCGGAACGCAGAGCGGCGGGAGAGGAGCTCGGGCTCCTGGTCTCTGCTGCCGTC
# 3 GAGCGATTGGGACCTCCCCTTTTGGATTGGTAGCTGAGCGGCAGTGGCGGCGGCTGCGTGAGAGAGGCGAGCGGCGGAGAGCGGTGGCAAATACTGAACGCAGTCTCGCAGGGTAAGCCCGAGGCATCTTCCCGGCCGGTCGGGAGCAGGAGGAGCACGCAGCGGATCCCAGGCAGAGGCGGACCGGGCCAGCCStack Overflow用户
发布于 2015-05-19 19:52:14
这里有一个可能的data.table解决方案(尽管您将有一个名为indx的额外列，如果您愿意的话，以后可以删除它)
library(data.table)
setDT(df)[, list(
ID = sub("^>", "", Sequences[1L]),
Sequences = paste(Sequences[-1L], collapse = "")
),
by = list(indx = cumsum(grepl(">", Sequences)))]页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/30334726
复制相关文章
相似问题
腾讯云开发者
