我有一个密钥和一个庞大的元数据表。元数据表中有一列包含如下值:
body_site
Lung
Lung
Brain - Amygdala
Brain - Amygdala
Brain - Caudate (basal ganglia)
Brain - Caudate (basal ganglia)
Lung
Lung
Skin - Sun Exposed (Lower leg)
Skin - Sun Exposed (Lower leg)
Brain - Spinal cord (cervical c-1)
Brain - Spinal cord (cervical c-1)
以body_site
作为标题。密钥如下所示:
Tissue,Key
Adipose - Subcutaneous,ADPSBQ
Adipose - Visceral (Omentum),ADPVSC
Adrenal Gland,ADRNLG
Artery - Aorta,ARTAORT
Artery - Coronary,ARTACRN
Artery - Tibial,ARTTBL
Bladder,BLDDER
Brain - Amygdala,BRNAMY
Brain - Anterior cingulate cortex (BA24),BRNACC
它是每种类型组织的相应缩写的csv
。我想做的是将第一个表列中的所有条目替换为第二个表第二列中的相应缩写。
问题是,当我接受演示如何做到这一点的高受欢迎的帖子的建议时,我不知何故最终得到一个只有body_site
列值的表;换句话说,除了被替换的数据之外,该表中的所有其他数据都将被删除。从好的方面来说,替换有效,但现在我有一个完全空的表,除了标题。
这是我的代码的样子。我包括了顶级回答者提供的两种解决方案,我都尝试过。
library("data.table")
args = commandArgs(trailingOnly=TRUE)
# SraRunTable.txt is args[1]
#sratabl <- fread(args[1])
sratabl <- fread("SraRunTable.txt")
tiskey <- fread("GTExTissueKey.csv")
# current directory is args [2]
new <- sratabl # create a copy of df
# using lapply, loop over columns and match values to the look up table. store in "new".
new[] <- lapply(sratabl, function(x) tiskey$Key[match(x, tiskey$Tissue)])
new <- sratabl
new[] <- tiskey$Key[match(unlist(sratabl), tiskey$Tissue)]
- 我认为您过度使用
lapply
;由于您正在处理框架中的单个列,因此没有必要在这里使用它。 - 结果中会有
NA
,至少有了这些数据(无论如何,你应该防范它)。因此,我建议使用中间/临时变量。
对于上面的 #2,我将变量保留在框架内(然后删除它)以便于关联,尽管没有必要这样做,但它可以很容易地存储在一个独立的向量中,然后在修复后分配。
df1$tmp <- df2$Key[ match(df1$body_site, df2$Tissue) ]
head(df1)
# body_site tmp
# 1 Lung <NA>
# 2 Lung <NA>
# 3 Brain - Amygdala BRNAMY
# 4 Brain - Amygdala BRNAMY
# 5 Brain - Caudate (basal ganglia) <NA>
# 6 Brain - Caudate (basal ganglia) <NA>
这些是您需要警惕的NA
...下一部分仅在不NA
时才使用新列。
df1$tmp <- ifelse(is.na(df1$tmp), df1$body_site, df1$tmp)
head(df1)
# body_site tmp
# 1 Lung Lung
# 2 Lung Lung
# 3 Brain - Amygdala BRNAMY
# 4 Brain - Amygdala BRNAMY
# 5 Brain - Caudate (basal ganglia) Brain - Caudate (basal ganglia)
# 6 Brain - Caudate (basal ganglia) Brain - Caudate (basal ganglia)
现在,清理:
df1$body_site <- df1$tmp
df1$tmp <- NULL
替代:联接。
library(dplyr)
left_join(df1, df2, by=c("body_site" = "Tissue")) %>% head()
# body_site Key
# 1 Lung <NA>
# 2 Lung <NA>
# 3 Brain - Amygdala BRNAMY
# 4 Brain - Amygdala BRNAMY
# 5 Brain - Caudate (basal ganglia) <NA>
# 6 Brain - Caudate (basal ganglia) <NA>
(需要相同的清理)
library(data.table)
head( merge(df1, df2, by.x="body_site", by.y="Tissue", all.x=TRUE) )
# body_site Key
# 1: Brain - Amygdala BRNAMY
# 2: Brain - Amygdala BRNAMY
# 3: Brain - Caudate (basal ganglia) <NA>
# 4: Brain - Caudate (basal ganglia) <NA>
# 5: Brain - Spinal cord (cervical c-1) <NA>
# 6: Brain - Spinal cord (cervical c-1) <NA>
(需要相同的清理)
数据:
df1 <- read.csv(header=T, stringsAsFactors=F, text='
body_site
Lung
Lung
Brain - Amygdala
Brain - Amygdala
Brain - Caudate (basal ganglia)
Brain - Caudate (basal ganglia)
Lung
Lung
Skin - Sun Exposed (Lower leg)
Skin - Sun Exposed (Lower leg)
Brain - Spinal cord (cervical c-1)
Brain - Spinal cord (cervical c-1)')
df2 <- read.csv(header=T, stringsAsFactors=F, text='
Tissue,Key
Adipose - Subcutaneous,ADPSBQ
Adipose - Visceral (Omentum),ADPVSC
Adrenal Gland,ADRNLG
Artery - Aorta,ARTAORT
Artery - Coronary,ARTACRN
Artery - Tibial,ARTTBL
Bladder,BLDDER
Brain - Amygdala,BRNAMY
Brain - Anterior cingulate cortex (BA24),BRNACC')
这是一个解决方案:
require(data.table)
df1 <- data.frame(a = c("a","b","c"), b = c("x","y","z"))
df2 <- data.frame(a = c("a","c"), b = c("new_x","new_z"))
setDT(df1)
setDT(df2)
# inspect each df
df1
# a b
# 1: a x
# 2: b y
# 3: c z
df2
# a b
# 1: a new_x
# 2: c new_z
l <- match(df1$a, df2$a, nomatch = 0)
df1$b[l != 0] <- df2$b[l]
df1
# a b
# 1: a new_x
# 2: b y
# 3: c new_z