问题描述
我在 R 中有一个数据框(40000 个变量的 500 个 obs),其中所有列都由一个或两个散布着“1”和“3”的字母组成。例如,mydata[45:50,20:25]
45 C A 3 T C C
46 C G T C C A
47 C A G T C C
48 1 A T 3 C 3
49 C A G T C C
50 T A T C C A
我只想替换字母而不是数字。我的目标是将字母替换为“0”或“2”,具体取决于它们的频率。因此,出现频率最高的字母变为“0”,而出现频率最低的字母变为“2”。如果只有一个字母,那就是'0'。
我可以在不忽略穿插的“1”和“3”的情况下使用:
data.frame(lapply(mydata[45:50,20:25],function(x){as.numeric(factor(x,levels = names(sort(-table(x)))))}))
产生:
1 1 1 3 1 1 1
2 1 2 1 2 1 2
3 1 1 2 1 1 1
4 2 1 1 3 1 3
5 1 1 2 1 1 1
6 3 1 1 2 1 2
但是,我希望能够在忽略原始数据框中的“1”和“3”的同时做到这一点。
任何帮助表示赞赏。谢谢。
解决方法
我会在这里使用 matrix
。
使用 grep
,我们制作 table
的频率,我们对它们的负值 rank
并减去一得到零。由于我不确定在平局的情况下您想要什么,因此我选择了 "first"
来获取整数(有关选项,请参阅 ?rank
)。
然后我们 match
频率上的字母。最后,我们使用 type.convert
转换回数据框以获得数字格式。
m <- as.matrix(d)
ftb <- table(grep("[\\p{Lu}]",m,perl=TRUE,value=TRUE))
ftb <- rank(-ftb,ties.method="first") - 1
m.res <- apply(m,1:2,function(x) ifelse(x %in% names(ftb),ftb[match(x,names(ftb))],x))
d.res <- type.convert(as.data.frame(m.res))
d.res
# V1 V2 V3 V4 V5 V6 V7
# 1 45 0 1 3 2 0 0
# 2 46 0 3 2 0 0 1
# 3 47 0 1 3 2 0 0
# 4 48 1 1 2 3 0 3
# 5 49 0 1 3 2 0 0
# 6 50 2 1 2 0 0 1
编辑
由于您想查看列频率,我们可以在 lapply
中使用该方法(不进行矩阵转换)。我们可以将排名乘以因子 2。
f <- 2
d[-1] <- lapply(d[-1],function(x) {
ftb <- (rank(-table(grep("[\\p{Lu}]",x,value=TRUE)),ties.method="first") - 1)*f
stopifnot(length(ftb) <= 2)
x <- ifelse(x %in% names(ftb),x)
as.numeric(x)
})
d
# V1 V2 V3 V4 V5 V6 V7
# 1 45 0 0 3 0 0 0
# 2 46 0 2 0 2 0 2
# 3 47 0 0 2 0 0 0
# 4 48 1 0 0 3 0 3
# 5 49 0 0 2 0 0 0
# 6 50 2 0 0 2 0 2
数据:
d <- structure(list(V1 = 45:50,V2 = c("C","C","1","T"
),V3 = c("A","G","A","A"),V4 = c("3","T","T"),V5 = c("T","3","C"),V6 = c("C",V7 = c("C","A"
)),class = "data.frame",row.names = c(NA,-6L))