Comment sous-ensemble de données à l'avance correspondance de chaîne

J'ai les données suivantes à l'image à partir de laquelle j'aimerais extraire les lignes en fonction de la correspondance des chaînes.

> GEMA_EO5
gene_symbol  fold_EO  p_value                           RefSeq_ID      BH_p_value
       KNG1 3.433049 8.56e-28              NM_000893,NM_001102416    1.234245e-24
      REXO4 3.245317 1.78e-27                           NM_020385    2.281367e-24
      VPS29 3.827665 2.22e-25                 NM_057180,NM_016226    2.560770e-22
    CYP51A1 3.363149 5.95e-25              NM_000786,NM_001146152    6.239386e-22
      TNPO2 4.707600 1.60e-23 NM_001136195,NM_001136196,NM_013433    1.538000e-20
      NSDHL 2.703922 6.74e-23              NM_001129765,NM_015922    5.980454e-20
     DPYSL2 5.097382 1.29e-22                           NM_001386    1.062868e-19

Donc je voudrais extraire, par exemple deux lignes en fonction de la correspondance des chaînes dans $RefSeq_ID, qui fonctionne très bien avec les éléments suivants:

> list<-c("NM_001386", "NM_020385")
> GEMA_EO6<-subset(GEMA_EO5, GEMA_EO5$RefSeq_ID %in% list, drop = TRUE)

> GEMA_EO6

gene_symbol  fold_EO  p_value RefSeq_ID    BH_p_value
      REXO4 3.245317 1.78e-27 NM_020385  2.281367e-24
     DPYSL2 5.097382 1.29e-22 NM_001386  1.062868e-19

Mais certaines lignes ont plusieurs RefSeq_IDs séparés par des virgules, donc je suis à la recherche d'une façon générale, de dire si $RefSeq_ID contient un certain patron de la chaîne, puis sous-ensemble de la ligne.

OriginalL'auteur Toke Duce Krogager | 2012-10-11

  1. 15

    À faire de la reconnaissance partielle, vous aurez besoin d'utiliser des expressions régulières (voir ?grepl). Voici une solution à votre problème particulier:

    ##Notice that the first element appears in 
##a row containing commas
l = c( "NM_013433", "NM_001386", "NM_020385")

    De tester une séquence à un moment, nous venons de choisir un particulier de la seq id:

    R> subset(GEMA_EO5, grepl(l[1], GEMA_EO5$RefSeq_ID))
  gene_symbol fold_EO p_value                           RefSeq_ID BH_p_value
5       TNPO2   4.708 1.6e-23 NM_001136195,NM_001136196,NM_013433  1.538e-20

    Pour tester de multiples gènes, nous utilisons la | opérateur:

    R> paste(l, collapse="|")
[1] "NM_013433|NM_001386|NM_020385"
R> grepl(paste(l, collapse="|"),GEMA_EO5$RefSeq_ID)
[1] FALSE  TRUE FALSE FALSE  TRUE FALSE  TRUE

    Donc

    subset(GEMA_EO5, grepl(paste(l, collapse="|"),GEMA_EO5$RefSeq_ID))

    vous donner ce que vous voulez.

    Merci! il fait le travail parfaitement...j'avais essayé avec grepl, mais comme il ne prend que le premier élément d'un vecteur, je ne pouvais pas le faire fonctionner. Vous ignorez ce par de la pâte(l,collapse="|") Donc, c'est des chaînes séparées par ou? Je pense que je devrais regarder de plus en expressions régulières:-)
    Oui, les chaînes sont séparées par "Rup"

    OriginalL'auteur csgillespie

  2. 1

    Une autre approche consiste à reconnaître les entrées en double dans RefSeq_ID comme une tentative pour représenter des données de deux tables de base dans un seul bloc de données. Donc, si la table d'origine est csv, puis normaliser les données dans deux tables

    Anno <- cbind(key = seq_len(nrow(csv)), csv[,names(csv) != "RefSeq_ID"])
key0 <- strsplit(csv$RefSeq_ID, ",")
RefSeq <- data.frame(key = rep(seq_along(key0), sapply(key0, length)),
                     ID = unlist(key0))

    et de reconnaître que la requête est une subset (sélectionnez) sur la RefSeq table, suivi par un merge (join) avec Anno

    l <- c( "NM_013433", "NM_001386", "NM_020385")
merge(Anno, subset(RefSeq, ID %in% l))[, -1]

    conduisant à

    > merge(Anno, subset(RefSeq, ID %in% l))[, -1]
  gene_symbol  fold_EO  p_value   BH_p_value        ID
1       REXO4 3.245317 1.78e-27 2.281367e-24 NM_020385
2       TNPO2 4.707600 1.60e-23 1.538000e-20 NM_013433
3      DPYSL2 5.097382 1.29e-22 1.062868e-19 NM_001386

    Peut-être le but est de fusionner avec un `Maître' de la table, puis

    Master <- cbind(key = seq_len(nrow(csv)), csv)
merge(Master, subset(RefSeq, ID %in% l))[,-1]

    ou similaire.

    OriginalL'auteur Martin Morgan