时间戳

首页 > 解决方案 > 在 r 中创建一个计数表（矩阵）

r - 在 r 中创建一个计数表（矩阵）

问题描述

我正在尝试从已转换为数据框的一系列列表中开发一个表格。每个列表由字符串及其计数组成。每个字符串在 7 到 20（或更多）之间变化。每个列表都有一个标头，用于标识字符串的来源。我有 66 个列表（来源）。每个列表包含超过 5,000 个字符串。并非每个字符串都包含在每个列表中，因此列表中的字符串数量会有所不同。这是单个列表结构的示例。

$PreAg_18_2

CDR3.aa         Clones
 <chr>            <int>
CASSYGTAYTGELFF   1623
CASSRGDSDNSPLHF   1440
CASSREKAFF        1161
CSGMGALAKNIQYF     949
CSAYTGLSYEQYF      813
CASSLSLAVNSPLHF    634
CAIRDTPGSPQHF      574
CATGQVNTEAFF       555
CASSLKGQGGSPLHF    499
CASSYSRSPQPQHF     478

我想将结果组合在一个表中，显示计数（克隆）与 y 轴上列出的所有字符串（CDR3.aa）和 x 轴上的每个列表标题（Sample.Id）。一个例子是： 

            10_pep_10_1     preAg_10_2      Dec_2_18_1  …... 
CASSYGTAYTGELFF    1623         234             0
CASSRGDSDNSPLHF    1440         522             28
CASSREKAFF         1161         445             50  
CSGMGALAKNIQYF      949         24              0
CASSYSRSPQPQHF      478         0               398
.
.

我能够生成包含示例中的单个列表，并且我认为将列表转换为数据框是操作它们的更好方法，但是我无法将它们与单个列表合并所有字符串并将 sample.id 移动到 x 轴。我在想我取消列出所有字符串并将其加入一个 df，但我不确定如何保持计数与字符串匹配。R中是否有一个函数可以帮助我做到这一点？还是不可避免地形成一个循环？

到目前为止，我已经能够生成一个全局字符串列表，但我现在需要按标题（sample.id）匹配计数。不知道如何解决这个问题。

    library(immunarch)
    library(stringr)
    library(plyr)

    immdata = repLoad("/mnt/data/Development/Analysis_Script/input_files/")

    all <- immdata$data

    # Get list headers (names)
    sample.id <- names(all)

    # make new variable for extraction of clones
    all.c <- all

    # Get list of clones and filter for unique clones per list.
    for (i in 1:length(all.c)){
        all.c[[i]]$Sample.ID<-names(all.c)[i]
        all.c[[i]]<-all.c[[i]][,c("CDR3.aa", "Clones")]
    }


    # bysamp is a list (vector) of the samples and their clones
    bysamp <- split(all.c, sample.id, sep=" ")

    # make vector of all clones
    all.clones <- unlist(all.c, use.names=FALSE)

    # a list of the aggregate of all the clones in all the samples.
    all.clones

    # Removes clone repeats
    all.clones.u <- unique(all.clones)

    # convert list of clones and sample.ids to data frame
    all.clones.u <- data.frame(all.clones.u)
    sample.id <- data.frame(sample.id)

    # Addtional code here:

有关预期矩阵（表），请参见上面的摘要

标签： r

解决方案

这是一个基于我对您的数据结构的最佳猜测的解决方案（听起来很熟悉，因为我被免疫学家包围了）。关键是为每个源添加一个变量来跟踪源。然后可以将源 (list/data.frames) 组合成单个 data.frame 并进一步处理。

首先，为可重现的示例设置随机数种子。

  set.seed(1234)

创建一个简化的人工数据集。这将包含 6 个源（列表/data.frames）。每个 data.frame 都有两个名为aa和的变量clones。aa从 A、B 和 C 中随机选择的三个字母作为 12 个可能值中的每一个中的 CDR3 氨基酸。每个克隆的计数被存储clones并设置为 10 到 20 之间的随机数。最后，为 6 个列表/data.frames 中的每一个指定一个名称。我使用 source_1、source_2 等代替“10_pep_10_1”。

希望这已经复制了您面临的数据。通过仅使用 3 种可能的氨基酸，这个例子确保了相同的序列在不同的列表中出现几次的机会很大。

# generate sample data
  spl <- replicate(6, { # the braces '{}' define an expression to be repeated
      n <- 12 # number of aa values in each list
      aa <- replicate(n,
        paste(sample(LETTERS[1:3], 3, replace = T), collapse = ""))
      clones <- sample(10:20, n, replace = T)
      data.frame(aa, clones)}, # this is the 'return' value of the expression
    simplify = FALSE) # this ensures that the result remains as a list

# name each list
  names(spl) <- paste("source", seq_along(spl), sep = "_")

检查 6 个数据帧中的第一个。

  head(spl$source_1)
>    aa clones
> 1 ABB     12
> 2 BCB     12
> 3 AAB     20
> 4 BCB     18
> 5 ACA     16
> 6 CAA     17

source为每个包含源名称的 list/data.frame添加一个名为的新变量。这很容易通过一个简单的for循环来完成。在第一个 data.frame 中显示更改。

  for (i in seq_along(spl)) spl[[i]]$source <- names(spl)[i]

  head(spl$source_1) # or head(spl[[1]])
>    aa clones   source
> 1 ABB     12 source_1
> 2 BCB     12 source_1
> 3 AAB     20 source_1
> 4 BCB     18 source_1
> 5 ACA     16 source_1
> 6 CAA     17 source_1

现在，将每个 list/data.frames 合并到一个 data.frame 中，并使用变量source跟踪哪个 list/data.frame 贡献了值。然后使用基本函数来计算clones每个肽 ( ) 的数量 ( aa) 和source。结果，存储在res另一个 data.frame 中。将由此生成计数的列联表。通常这会合并为一个步骤。有关详细信息，请参阅帮助文件aggregate()。这种数据处理的一种流行方法是通过dplyr包。

  dat <- do.call(rbind, spl)

  res <- aggregate(clones ~ aa + source, dat, sum)
  tbl <- xtabs(clones ~ aa + source, res)

# this operation is rather common and often is done in one line:
  tbl <- xtabs(clones ~ ., aggregate(clones ~ ., dat, sum))

  head(tbl, 10)
>      source
> aa    source_1 source_2 source_3 source_4 source_5 source_6
>   AAA       29        0       46        0        0       14
>   AAB       20        0        0        0        0        0
>   ABB       12       14       13        0        0        0
>   ACA       16       23       16        0        0        0
>   ACB       13       19       15        0        0        0
>   BAA       17        0        0       55       16       33
>   BAC       15       19       19        0       34        0
>   BCB       30        0        0       68       38       15
>   CAA       17       11        0        0        0        0
>   CCA       15        0        0        0        0        0

表中条目的顺序很简单，继承于rbind. 可以通过重新组织表格来改变这一点。在这里，行被排序。

  ord <- order(rownames(tbl))
  head(tbl[ord,], 10)
>      source
> aa    source_1 source_2 source_3 source_4 source_5 source_6
>   AAA       29        0       46        0        0       14
>   AAB       20        0        0        0        0        0
>   AAC        0       19       19        0        0       31
>   ABA        0       11        0        0       15       18
>   ABB       12       14       13        0        0        0
>   ACA       16       23       16        0        0        0
>   ACB       13       19       15        0        0        0
>   ACC        0       11       16        0       15        0
>   BAA       17        0        0       55       16       33
>   BAB        0       15        0        0        0        0

推荐阅读