R/data.table：分隔列并计算出现次数


R/data.table: separate columns and count occurrences

我有一个很大的 data.table(这里只显示五行)。

1
2
3
4
5
6
 taxpath                                                                                                                  N
                  Bacteroidetes; Flavobacteriia; Flavobacteriales; Flavobacteriaceae; Formosa; Formosa sp. Hel3_A1_48;   57
 Bacteroidetes; Flavobacteriia; Flavobacteriales; Cryomorphaceae; NA; Cryomorphaceae bacterium BACL29 MAG-121220-bin8;   54
                Proteobacteria; Alphaproteobacteria; Pelagibacterales; Pelagibacteraceae; Candidatus Pelagibacter; NA;   53
                                                    Proteobacteria; Alphaproteobacteria; Pelagibacterales; NA; NA; NA;   41
                                                      Planctomycetes; NA; NA; NA; NA; Planctomycetes bacterium TMED84;   41

第一列是taxpath(门、纲、目、科、属、种从左到右)，第二列是N，每条税路出现的频率。

我想做的是用分号分隔每个税路并使用第一个条目。

我想计算每个门等级(第一等级，即拟杆菌门、变形菌门或平面霉菌门)出现的频率。但是，此数字应乘以 N 列中的值。

所以，我所期望的或多或少是这样的。

1
2
3
4
phylum           Nnew
Bacteriodetes    111
Proteobacteria   94
Planctomycetes   41

你能帮我如何在列中进行拆分，并且 - 我想 - group-by 与列 N 相乘吗？

(PS：稍后，我也想对列 taxpath 中的其他元素也这样做，但我认为将其分配到单独的表中更容易)

相关讨论

这个标记为 data.table 所以这里是一个简单的 data.table 解决方案。

1
2
3
4
5
6
library(data.table)
DT[, .(Nnew = sum(N)), by = sub(";.*","", taxpath)]
#               sub Nnew
# 1:  Bacteroidetes  111
# 2: Proteobacteria   94
# 3: Planctomycetes   41

我们在 by 语句中动态提取 taxpath 的第一部分时基本上对 N 求和

数据

1
2
3
4
5
6
DT <- fread("taxpath\\t                                                                                                                  N
            Bacteroidetes; Flavobacteriia; Flavobacteriales; Flavobacteriaceae; Formosa; Formosa sp. Hel3_A1_48;\\t   57
            Bacteroidetes; Flavobacteriia; Flavobacteriales; Cryomorphaceae; NA; Cryomorphaceae bacterium BACL29 MAG-121220-bin8;\\t   54
            Proteobacteria; Alphaproteobacteria; Pelagibacterales; Pelagibacteraceae; Candidatus Pelagibacter; NA;\\t   53
            Proteobacteria; Alphaproteobacteria; Pelagibacterales; NA; NA; NA;\\t   41
            Planctomycetes; NA; NA; NA; NA; Planctomycetes bacterium TMED84;\\t   41")

我们可以用separate将\\'taxpath\\'根据分隔符;拆分成指定列，按\\'phylum\\'分组，得到\\'N\\'的sum

1
2
3
4
5
6
7
8
9
10
11
12
13
library(tidyverse)
newcols <-c("phylum","class","order","family","genus","species")
df1 %>%
   mutate(taxpath = sub(";$","", taxpath)) %>%
   separate(taxpath, into = newcols, sep=";\\\\s*") %>%
   group_by(phylum) %>%
   summarise(Nnew = sum(N))
# A tibble: 3 x 2
#   phylum          Nnew
#   <chr>          <int>
# 1 Bacteroidetes    326
# 2 Planctomycetes    41
# 3 Proteobacteria    94