在拍拍中使用拍拍

Question

我有大量 data.frame 基因组数据。数据看起来像这样—— colnames(df)=c("id","chr","start","end","log2") 其中 id 是样本名称，chr 是染色体编号，start 和 end 给出了染色体上的位置，log2 是 high/low 在该位置的读取方式。

因为有很多数据，而且很难理解发生了什么，我试图遍历每个样本 (id)，并且对于每个染色体 (chr) 我想计算 log2 的中位数在段中，假设所有读取在 1 到 10^7、1+10^7 到 2*10^7 之间，依此类推。

结果应该是一个新的data.frame，对于每个样本和每个染色体我应该有几行，开始和结束表示我在哪个片段，最后一个值将是那个的中值段。

我想我需要使用 tapply() 遍历样本，并在其中 tapply() 遍历染色体，然后在每个染色体中，循环遍历 "start" 位置？（假设我只关心起始坐标是否在范围内）不确定如何解决这个问题。

我们将不胜感激任何提示、技巧和指导。

可重现的例子-

# fabricated data, 4 samples
# 24 chromosomes in each sample
# 61 ranges in each chromosome

df <- data.frame(id = rep(c('F1','F2','M1','M2'), each = 24*61), 
                 chr = rep(rep(c(1:22,'x','y'), each = 61),4),
                 start = rep(seq(1,25*10^6 - 99, length.out = 61),times = 24*4),
                 end = rep(seq(100,25*10^6, length.out = 61),times = 24*4),
                 log2 = rnorm(4*24*61))

# output should look something like this-
id      chr     start    end       median_log_2
"F1"    "1"     1        8000000   0.002
"F1"    "1"     8000001  16000000  0.00089
"F1"    "1"     16000001 24000000  -0.0011
"F1"    "1"     24000000 25000000  0.108
"F1"    "2"     1        8000000   -0.0012
"F1"    "2"     8000001  16000000  0.0089
"F1"    "2"     16000001 24000000  0.00311
"F1"    "2"     24000000 25000000  0.0128
...
...

Answer 1

median_data <- tapply(df$log2, 
                      list(df$id, 
                           df$chr, 
                           cut(df$start, c(0,8*10^6,1.6*10^7,2.4*10^7,3.2*10^7,4*10^8))),
                      median)
median_data <- as.data.frame.table(median_data)

完成任务。（输出格式不正确，但对我来说已经很接近了）

在 tapply() 中，您可以通过多个参数进行子集化，使用 list().

在拍拍中使用拍拍

using tapply in tapply

r

tapply