Sous-ensemble des données /de l'extraction des données basée sur les 7 premières lettres

J'ai un énorme ensemble de données avec génotypique des informations provenant de différentes populations. Je voudrais trier les données en fonction de la population, mais je ne sais pas comment.

Je voudrais trier par "pedigree_dhl". J'ai été en utilisant le code suivant, mais j'ai continué à obtenir des messages d'erreur.

newdata <- project[pedigree_dhl == CCB133$*1,  ]

Mon problème est également que "pedigree-dhl' contient tous les noms des différents génotypes. Seules les 7 premières lettres dans la colonne "pedigree-dhl" sont le nom de la population.Dans cet exemple:CCB133. Comment puis-je dire R, que je veux extraire les données pour toutes les colonnes qui contiennent des CCB133? 

  Allele1 Allele2      SNP_name gs_entry pedigree_dhl
1       T       T ZM011407_0151      656    CCB133$*1
2       T       T ZM009374_0354      656    CCB133$*1
3       C       C ZM003499_0591      656    CCB133$*1
4       A       A ZM003898_0594      656    CCB133$*1
5       C       C ZM004887_0313      656    CCB133$*1
6       G       G ZM000583_1096      656    CCB133$*1
substr vous permet d'extraire des sous-chaînes de caractères vectorielles. Vous aurez envie de vous assurer que votre colonne est en fait un caractère de vecteur et non un facteur avant d'utiliser substr ou vous pouvez obtenir des résultats inattendus. Pour., recherche pour R subset et vous trouverez de nombreuses réponses. Le subset() fonction elle-même est assez utile pour la session interactive, tout en utilisant la [ opérateur est préférable dans certaines situations.

OriginalL'auteur marie | 2012-04-25

  1. 6

    Vous pourriez envisager de grep comme dans la réponse sur Utilisation des regexp pour sélectionner les lignes en R dataframe. Adaptés à vos données:

    df <- read.table(text="  Allele1 Allele2      SNP_name gs_entry pedigree_dhl
1       T       T ZM011407_0151      656    CCB133$*1
2       T       T ZM009374_0354      656    CCB133$*1
3       C       C ZM003499_0591      656    CCB133$*1
4       A       A ZM003898_0594      656    CCB133$*1
5       C       C ZM004887_0313      656    CCB133$*1
6       G       G ZM000583_1096      656    CCB133$*1", header=T)

# put into df1 all rows where pedigree_dhl starts with CCB133$
p1 <- 'CCB133$'
df1 <- subset(df, grepl(p1, pedigree_dhl) )

    Mais votre question implique que vous voudrez peut-être sélectionner les sept nom de la lettre, ou tout simplement pour trier les lignes par pedigree nom et il peut être plus facile de garder toutes les lignes ensemble triés dataframe. L'ensemble de ces trois opérations: sous-paramètre, l'extraction d'une nouvelle colonne, ou le tri, peut être réalisée de façon indépendante.

    # If you want to create a new column based
# on the first seven letter of SNP_name (or any other variable)

df$SNP_7 <- substr(df$SNP_name, start=1, stop=7)

# If you want to order by pedigree_dhl
# then you don't need to select out the rows into a new dataframe

df <- df[ with(df, order(df$pedigree_dhl)), ]

    Tout cela peut être évident-je ajouter, tout simplement, par souci d'exhaustivité.

    read.table de 2.14, je pense, maintenant prend en argument texte directement, ce qui signifie pas de besoin pour le textConnection
    Merci @Tyler Rinker, les vieilles habitudes ont la vie dure. Cependant, j'ai essayé, sans succès. J'ai aussi regardé dans le help et de voir que les file paramètre peut être un chemin d'accès à un fichier local, un texte de connexion, ou d'une URL. Heureux de voir que des solutions de rechange si, dans un montage, comme j'aimerais une façon plus élégante de le faire.
    J'ai ajouté le modifier pour vous.
    +1 pour la peine 🙂
    et @Tyler, merci beaucoup pour la bonne réponse. Il ya un couple de choses que je vous suggère: 1) l'OP a demandé une sous-chaîne de pedigree_dhl, pas SNP_name. 2) Lors de la commande, vous pouvez omettre le df$ et tout simplement df[with(df, order(pedigree_dhl)), ]. J'ai envisagé de faire (ou plutôt ce qui suggère), ces variations dans la réponse directement, mais ils sont plutôt très longue, surtout la première.

    OriginalL'auteur gauden