字串長度與字串長度串列的逐行比較

考慮以下具有兩列可變長度字串的資料框：

library("tidyverse")

df <- tibble(REF = c("TTG", "CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT", "T", "TTGTGTGTGTGTGTGTGTGTGT"),
             ALT = c("T", "CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT,CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT", "TTG", "TTGTGTGTGTGTGTGTGTGTGTGT"))

# # A tibble: 4 × 2
# REF                               ALT                                                                
# <chr>                             <chr>                                                              
# 1 TTG                               T                                                                  
# 2 CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT,CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT
# 3 T                                 TTG                                                                
# 4 TTGTGTGTGTGTGTGTGTGTGT            TTGTGTGTGTGTGTGTGTGTGTGT  

與 column 不同REF，columnALT有時包含幾個用逗號連接的字串（例如第 2 行）。

我想比較REF( REF_LEN) 和ALT( ALT_LEN) 中字串的長度，并生成一個TYPE包含值的列：

• “SNM”當REF_LEN=ALT_LEN
• “INS”當REF_LEN<ALT_LEN
• “DEL”當REF_LEN>ALT_LEN

但是我想這樣做，當 中存在多個字串時ALT，這個新TYPE列的輸出包含這些型別并用逗號分隔。即，這里的預期輸出將是：

"DEL"     "INS,DEL" "INS"     "INS"

到目前為止，我知道如何獲取 中的值的長度ALT，但是我無法折疊這些值，因為輸出將包含ALT表中所有 s 的長度，而不僅僅是成對的（即1,35,31,3,24）：

df %>%
  dplyr::mutate(REF_LEN = str_length(REF),
                ALT_LEN = str_split(ALT, ","),
                ALT_LEN = purrr::map(ALT_LEN, str_length) %>% unlist() %>% paste(collapse = ","))

如您所見，上面的代碼是不完整的，但我也無法使用幫助函式來完成上述TYPE列的作業。這將回傳許多錯誤，但不知道為什么，因為它似乎與ALT_LEN單獨的值很好地作業：

name <- function(alt_lens, ref_len) {
  alt_lens <- unlist(alt_lens)
  ifelse(alt_lens < ref_len, "DEL", ifelse(alt_lens > ref_len, "INS", "SNM"))
}

df %>%
  dplyr::mutate(REF_LEN = str_length(REF),
                ALT_LEN = str_split(ALT, ","),
                TYPE = purrr::map(ALT_LEN, str_length) %>% name(REF_LEN))

有任何想法嗎？謝謝！

uj5u.com熱心網友回復：

這是一個codegolf-ish基礎R解決方案：

df <- data.frame(REF = c("TTG", "CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT", "T", "TTGTGTGTGTGTGTGTGTGTGT"),
             ALT = c("T", "CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT,CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT", "TTG", "TTGTGTGTGTGTGTGTGTGTGTGT"))

df$TYPE <- mapply(
  function(x, y) paste(c("INS", "SNM", "DEL")[2   sign(nchar(x)- nchar(y))], collapse = ","), 
  df$REF, strsplit(df$ALT, ","), USE.NAMES = FALSE)

df$TYPE
#> [1] "DEL"     "INS,DEL" "INS"     "INS"

^{由reprex 包于 2022-04-20 創建(v2.0.1)}

uj5u.com熱心網友回復：

更新：洗掉了第一個答案。感謝 akrun 指點我那里！概念是一樣的：使用ncharwith case_when，不同的是使用separate_rowsfromtidyr包：

library(dplyr)
library(tidyr)

df %>% 
  mutate(id = row_number()) %>% 
  separate_rows(ALT, sep = ",") %>% 
  mutate(TYPE = case_when(nchar(REF)==nchar(ALT) ~ "SNM",
                             nchar(REF)< nchar(ALT) ~ "INS",
                             nchar(REF)> nchar(ALT) ~ "DEL",
                             TRUE ~ NA_character_)) %>% 
  group_by(id) %>% 
  mutate(TYPE = toString(TYPE)) %>% 
  slice(1)

 REF                               ALT                                    id TYPE    
  <chr>                             <chr>                               <int> <chr>   
1 TTG                               T                                       1 DEL     
2 CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT CGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGTGT     2 INS, DEL
3 T                                 TTG                                     3 INS     
4 TTGTGTGTGTGTGTGTGTGTGT            TTGTGTGTGTGTGTGTGTGTGTGT                4 INS  

標籤：r

上一篇：為什么在使用```terra::extract```提取柵格資料時會丟失列？

下一篇：匯總函式對regsubsets的輸出有什么作用？