在 R 中执行 lapply 时忽略特定级别

Question

我在 R 中有一个数据框（40000 个变量的 500 个观测值），其中所有列都由一个或两个字母组成，中间穿插着“1”和“3”。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。我的目标是根据字母的频率将字母替换为“0”或“2”。因此，出现频率最高的字母变为“0”，出现频率最低的字母变为“2”。如果只有一个字母，那将变成'0'。

我可以在不忽略散布的“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”的情况下做到这一点。

感谢任何帮助。谢谢。

Answer 1

我会在这里使用 matrix。

使用 grep 我们制作了 table 的频率，我们 rank 在它们的负值上减去一得到零。因为我不确定你想要什么，所以我选择 "first" 来获得一个整数（选项见 ?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

既然你想查看列频率，我们可以使用 lapply 中的方法（没有矩阵转换）。然后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, perl=TRUE, value=TRUE)),
              ties.method="first") - 1)*f
  stopifnot(length(ftb) <= 2)
  x <- ifelse(x %in% names(ftb), ftb[match(x, 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", "C", "1", "C", "T"
), V3 = c("A", "G", "A", "A", "A", "A"), V4 = c("3", "T", "G", 
"T", "G", "T"), V5 = c("T", "C", "T", "3", "T", "C"), V6 = c("C", 
"C", "C", "C", "C", "C"), V7 = c("C", "A", "C", "3", "C", "A"
)), class = "data.frame", row.names = c(NA, -6L))

在 R 中执行 lapply 时忽略特定级别

Ignore specific levels when performing lapply in R

r

replace

levels

编辑