R - 根据来自另一列的具有条件的子字符串创建新列

Question

我正在处理微生物数据，其中每个类群级别（即界、门、Class、目、科、属和种）由 ; 分隔。

示例输入数据：

input_data <- data.frame(taxon = c("k__Bacteria;p__Firmicutes;c__Bacilli;o__Lactobacillales;f__Lactobacillaceae;g__Lactobacillus;s__crispatus", "k__Bacteria;p__Firmicutes;c__Tissierellia;o__Tissierellales;f__Peptoniphilaceae;g__Anaerococcus;s__", "k__Bacteria;p__Proteobacteria;c__Betap__Proteobacteria;o__Burkholderiales;f__Comamonadaceae", "k__Bacteria;p__Firmicutes;c__Clostridia;o__Clostridiales;f__Lachnospiraceae", "k__Bacteria;p__Proteobacteria;c__Alphap__Proteobacteria;o__Rhizobiales;f__Bradyrhizobiaceae;g__Bosea;s__massiliensis", "k__Bacteria;p__Proteobacteria;c__Gammap__Proteobacteria;o__Pseudomonadales;f__Moraxellaceae;g__Acinetobacter;s__baumannii", "k__Bacteria;p__Proteobacteria;c__Betap__Proteobacteria;o__Nitrosomonadales;f__Methylophilaceae"))

print(input_data)

输入数据将如下所示：

taxon
1 k__Bacteria;p__Firmicutes;c__Bacilli;o__Lactobacillales;f__Lactobacillaceae;g__Lactobacillus;s__crispatus
2 k__Bacteria;p__Firmicutes;c__Tissierellia;o__Tissierellales;f__Peptoniphilaceae;g__Anaerococcus;s__
3 k__Bacteria;p__Proteobacteria;c__Betap__Proteobacteria;o__Burkholderiales;f__Comamonadaceae
4 k__Bacteria;p__Firmicutes;c__Clostridia;o__Clostridiales;f__Lachnospiraceae
5 k__Bacteria;p__Proteobacteria;c__Alphap__Proteobacteria;o__Rhizobiales;f__Bradyrhizobiaceae;g__Bosea;s__massiliensis
6 k__Bacteria;p__Proteobacteria;c__Gammap__Proteobacteria;o__Pseudomonadales;f__Moraxellaceae;g__Acinetobacter;s__baumannii
7 k__Bacteria;p__Proteobacteria;c__Betap__Proteobacteria;o__Nitrosomonadales;f__Methylophilaceae

我想创建一个新列 taxon_main，它基于最高可用分类单元级别，类似于下面的示例输出数据。

示例输出数据：

output_data <- data.frame(
  taxon = c("k__Bacteria;p__Firmicutes;c__Bacilli;o__Lactobacillales;f__Lactobacillaceae;g__Lactobacillus;s__crispatus",
            "k__Bacteria;p__Firmicutes;c__Tissierellia;o__Tissierellales;f__Peptoniphilaceae;g__Anaerococcus;s__", 
            "k__Bacteria;p__Proteobacteria;c__Betap__Proteobacteria;o__Burkholderiales;f__Comamonadaceae", "k__Bacteria;p__Firmicutes;c__Clostridia;o__Clostridiales;f__Lachnospiraceae", "k__Bacteria;p__Proteobacteria;c__Alphap__Proteobacteria;o__Rhizobiales;f__Bradyrhizobiaceae;g__Bosea;s__massiliensis",
            "k__Bacteria;p__Proteobacteria;c__Gammap__Proteobacteria;o__Pseudomonadales;f__Moraxellaceae;g__Acinetobacter;s__baumannii",
            "k__Bacteria;p__Proteobacteria;c__Betap__Proteobacteria;o__Nitrosomonadales;f__Methylophilaceae"),
  taxon_main = c("Lactobacillus_crispatus", "g_Anaerococcus", "f_Comamonadaceae",
                 "f_Lachnospiraceae", "Bosea_massiliensis", "Acinetobacter_baumannii",
                 "f_Methylophilaceae"))

print(output_data)

输出数据将有一个新列 taxon_main，应该如下所示：

               taxon_main
1 Lactobacillus_crispatus
2          g_Anaerococcus
3        f_Comamonadaceae
4       f_Lachnospiraceae
5      Bosea_massiliensis
6 Acinetobacter_baumannii
7      f_Methylophilaceae

因为我不能仅基于使用 dplyr::mutate(taxon_main = str_extract(taxon, "[^;]+$")) 在最后一个分隔符之后提取分类群来创建新列，因为我需要新列基于以下标准：

如果属 g__* 和种 s__* 可用，则连接成为 genus_species。
如果属 and/or 物种不可用，则使用下一个最高级别 - 例如o_Order.
只保留单下划线 _ 作为新列的分隔符，而不是双下划线 __.

我尝试使用的函数是separate(taxon, sep = ";")、mutate(Species = na_if(Species, "s__")和paste(input_data$Genus, input_data$Species, sep = "_")。但是，我似乎无法使其适用于获得所需输出所需的所有条件。

如果有人对如何最好地处理数据以成为我希望做的事情有任何想法，那就太好了。谢谢！

Answer 1

可能有更有效的方法来执行此操作，但我们可以使用 tidyverse 中的 case_when 执行一系列 ifelse 语句。首先，我删除了所有以 ;s__ 结尾的行。然后，在一系列语句中，我检查是否存在给定的分类级别，如果存在，则 return 以所需格式显示。然后，在所有分类水平上重复这一过程。

library(tidyverse)

output <- input_data %>%
  mutate(taxon = trimws(taxon, whitespace = ";s__")) %>%
  mutate(taxon_main = case_when(str_detect(taxon, "s__") ~ trimws(str_replace_all(str_extract(taxon, "(?<=g__).*"), ";s_", ""), whitespace = '_'),
                                !str_detect(taxon, "s__") & str_detect(taxon, "g__")~ str_replace_all(str_extract(taxon, "g__.*"), "__", "_"),
                                !str_detect(taxon, "g__") & str_detect(taxon, "f__") ~ str_replace_all(str_extract(taxon, "f__.*"), "__", "_"),
                                !str_detect(taxon, "f__") & str_detect(taxon, "o__")~ str_replace_all(str_extract(taxon, "o__.*"), "__", "_"),
                                !str_detect(taxon, "o__") & str_detect(taxon, "c__")~ str_replace_all(str_extract(taxon, "c__.*"), "__", "_"),
                                !str_detect(taxon, "c__") & str_detect(taxon, "p__")~ str_replace_all(str_extract(taxon, "p__.*"), "__", "_"),
                                !str_detect(taxon, "p__") & str_detect(taxon, "k__")~ str_replace_all(str_extract(taxon, "k__.*"), "__", "_"),
                                TRUE ~ NA_character_))

输出

output %>% select(taxon_main)

               taxon_main
1 Lactobacillus_crispatus
2          g_Anaerococcus
3        f_Comamonadaceae
4       f_Lachnospiraceae
5      Bosea_massiliensis
6 Acinetobacter_baumannii
7      f_Methylophilaceae

或者您也可以先使用 separate，这样可以减少代码对使用大量 stringr 的依赖。我们可以在使用separate之前清理一下，比如只有一个下划线，去掉多余的s__。然后，我们可以通过 ifelse 语句，然后我们可以绑定回原始 taxon 列并删除所有其他列，taxon_main.

除外

input_data %>%
  mutate(taxon = trimws(taxon, whitespace = ";s__"),
         taxon = str_replace_all(taxon, ";s__", ";"),
         taxon = str_replace_all(taxon, "__", "_")) %>%
  separate(taxon, sep = ";", into = c("Kingdom", "Phylum", "Class", "Order", "Family", "Genus", "Species")) %>%
  mutate(taxon_main = case_when(!is.na(Species) ~ paste(str_extract(Genus, "(?<=g_).*"), Species, sep = "_"),
                                is.na(Species) & !is.na(Genus) ~ Genus,
                                is.na(Genus) & !is.na(Family) ~ Family,
                                is.na(Family) & !is.na(Order) ~ Order,
                                is.na(Order) & !is.na(Class) ~ Class,
                                is.na(Class) & !is.na(Phylum) ~ Phylum,
                                is.na(Phylum) & !is.na(Kingdom) ~ Kingdom
                                )) %>% 
  bind_cols(input_data,.) %>% 
  select(taxon_main, taxon)

输出

               taxon_main                                                                                                                     taxon
1 Lactobacillus_crispatus                 k__Bacteria;p__Firmicutes;c__Bacilli;o__Lactobacillales;f__Lactobacillaceae;g__Lactobacillus;s__crispatus
2          g_Anaerococcus                       k__Bacteria;p__Firmicutes;c__Tissierellia;o__Tissierellales;f__Peptoniphilaceae;g__Anaerococcus;s__
3        f_Comamonadaceae                               k__Bacteria;p__Proteobacteria;c__Betap__Proteobacteria;o__Burkholderiales;f__Comamonadaceae
4       f_Lachnospiraceae                                               k__Bacteria;p__Firmicutes;c__Clostridia;o__Clostridiales;f__Lachnospiraceae
5      Bosea_massiliensis      k__Bacteria;p__Proteobacteria;c__Alphap__Proteobacteria;o__Rhizobiales;f__Bradyrhizobiaceae;g__Bosea;s__massiliensis
6 Acinetobacter_baumannii k__Bacteria;p__Proteobacteria;c__Gammap__Proteobacteria;o__Pseudomonadales;f__Moraxellaceae;g__Acinetobacter;s__baumannii
7      f_Methylophilaceae                            k__Bacteria;p__Proteobacteria;c__Betap__Proteobacteria;o__Nitrosomonadales;f__Methylophilaceae

R - 根据来自另一列的具有条件的子字符串创建新列

R - Create new column based on substring from another column with conditions

r

dataframe

tidyverse

data-wrangling