用 r 中的条件替换数据框中的部分字符串

Question

我有一个这样的数据框：

df = read.table(text="REF   Alt S00001  S00002  S00003  S00004  S00005
 TAAGAAG    TAAG    TAAGAAG/TAAGAAG TAAGAAG/TAAG    TAAG/TAAG   TAAGAAG/TAAGAAG TAAGAAG/TAAGAAG
 T  TG  T/T -/- TG/TG   T/T T/T
 CAAAA  CAAA    CAAAA/CAAAA CAAAA/CAAA  CAAAA/CAAAA -/- CAAAA/CAAAA
 TTGT   TTGTGT  TTGT/TTGT   TTGT/TTGT   TTGT/TTGT   TTGTGT/TTGTGT   TTGT/TTGTGT
 GTTT   GTTTTT  GTTT/GTTTTT GTTT/GTTT   GTTT/GTTT   GTTT/GTTT   GTTTTT/GTTTTT", header=T, stringsAsFactors=F)

我想用 "D" 或 "I" 替换由“/”分隔的字符元素，具体取决于 "REF" 和 "Alt" 列中字符串的长度].如果元素匹配最长的一个，则将其替换为 "I"，否则将替换为 "D"。但“-”没有变化。因此预期结果为：

REF Alt S00001  S00002  S00003  S00004  S00005
TAAGAAG TAAG    I/I I/D D/D I/I I/I
T   TG  D/D -/- I/I D/D D/D
CAAAA   CAAA    I/I I/D I/I -/- I/I
TTGT    TTGTGT  D/D D/D D/D I/I D/I
GTTT    GTTTTT  D/I D/D D/D D/D I/I

Answer 1

您可以创建包含 REF 和 Alt 的所有组合以及 I 和 D 的相应组合的地图：

refalt <- data.frame(
    from=c(df$REF, df$Alt),
    to=c(rep('I', length(df$REF)), rep('D', length(df$Alt))),
    stringsAsFactors=FALSE)
refalt <- rbind(refalt, c('-', '-'))
from <- expand.grid(refalt$from, refalt$from)
to <- expand.grid(refalt$to, refalt$to)
map <- paste(to[,1], to[,2], sep='/')
names(map) <- paste(from[,1], from[,2], sep='/')

然后，您可以为每一列使用地图：

for (name in paste0('S0000', seq(5))) {
    df[[name]] <- map[df[[name]]]
}

Answer 2

这是一种方法。我使用了 stringi 包，因为它可以很好地处理要搜索的模式向量和字符串向量。

首先确定哪个字符串更短，哪个字符串更长：

short <- ifelse(nchar(df$Alt) > nchar(df$REF), df$REF, df$Alt)
long <- ifelse(nchar(df$REF) > nchar(df$Alt), df$REF, df$Alt)

使用这些并遍历您的列，并根据需要指定替换项。首先替换长模式以避免匹配短模式和长模式的字符串出现问题：

library(stringi)

df[,!(names(df) %in% c("REF", "Alt"))] <- # assign into original df
  lapply(1:(ncol(df) - 2), # - 2 because there are two columns we don't use
    function(ii) stri_replace_all_fixed(df[ ,ii + 2], long, "I")) # + 2 to skip first 2 columns

df[,!(names(df) %in% c("REF", "Alt"))] <- 
  lapply(1:(ncol(df) - 2),
    function(ii) stri_replace_all_fixed(df[ ,ii + 2], short, "D"))

#      REF    Alt S00001 S00002 S00003 S00004 S00005
#1 TAAGAAG   TAAG    I/I    I/D    D/D    I/I    I/I
#2       T     TG    D/D    -/-    I/I    D/D    D/D
#3   CAAAA   CAAA    I/I    I/D    I/I    -/-    I/I
#4    TTGT TTGTGT    D/D    D/D    D/D    I/I    D/I
#5    GTTT GTTTTT    D/I    D/D    D/D    D/D    I/I

用 r 中的条件替换数据框中的部分字符串

replace partial of character string in a data frame by conditions in r

regex

r

dna-sequence