R中如何实现一个数据table中相邻行的错位比较、过滤和融合
How to achieve dislocation comparison, filtering and fusion of adjacent rows in a data table in R
下面是我的一小部分数据table。 table中的每一行代表一个转录本，第一列是染色体名称，第二列是转录本起始位点，第三列是转录本终止位点。
我现在要做的是比较同一染色体内每相邻两行的'upper row'终止位点和'next row'起始位点。如果 'upper row' 结束位点大于 'next row' 起始位点，即两个转录本重叠，将两个转录本合并为一个并使用 'upper row' 起始位点和 'next line'结束站点。需要注意的是，我不是比较相邻行的 'every pair' ，而是只比较同一染色体内的相邻行；这意味着根本不会比较第一列名称不同的相邻行。
scahrs1_1000 84808 85809
scahrs1_1001 1 753
scahrs1_1001 14931 15932
scahrs1_1001 15232 18008
scahrs1_1001 21211 22212
scahrs1_1001 40908 41909
scahrs1_1001 63233 64234
scahrs1_1001 76009 77010
scahrs1_1002 1068 2069
scahrs1_1002 12992 13993
scahrs1_1002 40448 41449
scahrs1_1003 2227 3228
scahrs1_1003 18453 19454
scahrs1_1003 28679 29680
scahrs1_1003 41161 42162
scahrs1_1003 41735 42736
scahrs1_1003 41867 44041
scahrs1_1003 64416 65417
scahrs1_1003 71219 72220
scahrs1_1003 96090 97091
scahrs1_1003 96754 98307
scahrs1_1004 1554 2555
scahrs1_1004 29086 30087
scahrs1_1004 44100 45101
scahrs1_1004 47799 48800
scahrs1_1004 59550 60551
scahrs1_1004 69356 70357
scahrs1_1004 71809 72810
scahrs1_1004 84272 85273
scahrs1_1004 89034 90035
scahrs1_1004 98627 99628
scahrs1_1005 6695 7696
scahrs1_1005 30160 31161
scahrs1_1006 298 1299
scahrs1_1006 70134 71135
scahrs1_1006 93750 94751
scahrs1_1008 3859 4860
scahrs1_1008 5575 6576
scahrs1_1008 7072 8073
scahrs1_1008 9342 10343
scahrs1_1008 11814 12815
scahrs1_1008 15290 16291
scahrs1_1008 40167 41168
scahrs1_1008 42890 43891
scahrs1_1008 44806 45807
scahrs1_1008 74442 75443
scahrs1_1008 82112 83113
scahrs1_1008 93766 94767
scahrs1_1008 95233 96234
scahrs1_1009 8000 9001
scahrs1_1009 37369 38370
scahrs1_1009 53086 54087
scahrs1_1009 83722 84723
scahrs1_1009 83994 91045
scahrs1_1010 11341 12342
scahrs1_1010 33500 34501
scahrs1_1010 34931 35932
scahrs1_1010 37937 38938
我要得到的循环输出是：
scahrs1_1000 84808 85809
scahrs1_1001 1 753
scahrs1_1001 14931 18008
scahrs1_1001 21211 22212
scahrs1_1001 40908 41909
scahrs1_1001 63233 64234
scahrs1_1001 76009 77010
scahrs1_1002 1068 2069
scahrs1_1002 12992 13993
scahrs1_1002 40448 41449
scahrs1_1003 2227 3228
scahrs1_1003 18453 19454
scahrs1_1003 28679 29680
scahrs1_1003 41161 44041
scahrs1_1003 64416 65417
scahrs1_1003 71219 72220
scahrs1_1003 96090 98307
scahrs1_1004 1554 2555
scahrs1_1004 29086 30087
scahrs1_1004 44100 45101
scahrs1_1004 47799 48800
scahrs1_1004 59550 60551
scahrs1_1004 69356 70357
scahrs1_1004 71809 72810
scahrs1_1004 84272 85273
scahrs1_1004 89034 90035
scahrs1_1004 98627 99628
scahrs1_1005 6695 7696
scahrs1_1005 30160 31161
其中‘scahrs1_1001’合并并减少1行，‘scahrs1_1003’合并并减少3行。
我有很多行以 'scahrs1...' 开头的数据。我认为通过 R 中的循环可能很容易实现，谁能给我一些建议？
有点乱，不过你可以试试
我定义df为
df <- read.table(text = "scahrs1_1000 84808 85809
scahrs1_1001 1 753
scahrs1_1001 14931 15932
scahrs1_1001 15232 18008
scahrs1_1001 21211 22212
scahrs1_1001 40908 41909
scahrs1_1001 63233 64234
scahrs1_1001 76009 77010
scahrs1_1002 1068 2069
scahrs1_1002 12992 13993
scahrs1_1002 40448 41449
scahrs1_1003 2227 3228
scahrs1_1003 18453 19454
scahrs1_1003 28679 29680
scahrs1_1003 41161 42162
scahrs1_1003 41735 42736
scahrs1_1003 41867 44041
scahrs1_1003 64416 65417
scahrs1_1003 71219 72220
scahrs1_1003 96090 97091
scahrs1_1003 96754 98307
scahrs1_1004 1554 2555
scahrs1_1004 29086 30087
scahrs1_1004 44100 45101
scahrs1_1004 47799 48800
scahrs1_1004 59550 60551
scahrs1_1004 69356 70357
scahrs1_1004 71809 72810
scahrs1_1004 84272 85273
scahrs1_1004 89034 90035
scahrs1_1004 98627 99628
scahrs1_1005 6695 7696
scahrs1_1005 30160 31161
scahrs1_1006 298 1299
scahrs1_1006 70134 71135
scahrs1_1006 93750 94751
scahrs1_1008 3859 4860
scahrs1_1008 5575 6576
scahrs1_1008 7072 8073
scahrs1_1008 9342 10343
scahrs1_1008 11814 12815
scahrs1_1008 15290 16291
scahrs1_1008 40167 41168
scahrs1_1008 42890 43891
scahrs1_1008 44806 45807
scahrs1_1008 74442 75443
scahrs1_1008 82112 83113
scahrs1_1008 93766 94767
scahrs1_1008 95233 96234
scahrs1_1009 8000 9001
scahrs1_1009 37369 38370
scahrs1_1009 53086 54087
scahrs1_1009 83722 84723
scahrs1_1009 83994 91045
scahrs1_1010 11341 12342
scahrs1_1010 33500 34501
scahrs1_1010 34931 35932
scahrs1_1010 37937 38938")
names(df) <- c("chromosome", "start", "end")
程序是，
library(dplyr)
chromosomes <- unique(df$chromosome)
res <- data.frame()
for (i in chromosomes) {
df_dummy <- df[df$chromosome == i,]
if (nrow(df_dummy) == 1){
res <- rbind(res, df_dummy)
} else {
for (j in 1:(nrow(df_dummy)-1)){
print(c(df_dummy$end[j], df_dummy$start[j+1]))
if (df_dummy$end[j] > df_dummy$start[j+1]){
print(j)
df_dummy$end[j] <- df_dummy$end[j+1]
df_dummy$start[j+1] <- df_dummy$start[j]
}
}
res <- rbind(res, df_dummy)
}
}
res %>%
distinct()
那么，结果是
chromosome start end
1 scahrs1_1000 84808 85809
2 scahrs1_1001 1 753
3 scahrs1_1001 14931 18008
4 scahrs1_1001 21211 22212
5 scahrs1_1001 40908 41909
6 scahrs1_1001 63233 64234
7 scahrs1_1001 76009 77010
8 scahrs1_1002 1068 2069
9 scahrs1_1002 12992 13993
10 scahrs1_1002 40448 41449
11 scahrs1_1003 2227 3228
12 scahrs1_1003 18453 19454
13 scahrs1_1003 28679 29680
14 scahrs1_1003 41161 42736
15 scahrs1_1003 41161 44041
16 scahrs1_1003 64416 65417
17 scahrs1_1003 71219 72220
18 scahrs1_1003 96090 98307
19 scahrs1_1004 1554 2555
20 scahrs1_1004 29086 30087
21 scahrs1_1004 44100 45101
22 scahrs1_1004 47799 48800
23 scahrs1_1004 59550 60551
24 scahrs1_1004 69356 70357
25 scahrs1_1004 71809 72810
26 scahrs1_1004 84272 85273
27 scahrs1_1004 89034 90035
28 scahrs1_1004 98627 99628
29 scahrs1_1005 6695 7696
30 scahrs1_1005 30160 31161
31 scahrs1_1006 298 1299
32 scahrs1_1006 70134 71135
33 scahrs1_1006 93750 94751
34 scahrs1_1008 3859 4860
35 scahrs1_1008 5575 6576
36 scahrs1_1008 7072 8073
37 scahrs1_1008 9342 10343
38 scahrs1_1008 11814 12815
39 scahrs1_1008 15290 16291
40 scahrs1_1008 40167 41168
41 scahrs1_1008 42890 43891
42 scahrs1_1008 44806 45807
43 scahrs1_1008 74442 75443
44 scahrs1_1008 82112 83113
45 scahrs1_1008 93766 94767
46 scahrs1_1008 95233 96234
47 scahrs1_1009 8000 9001
48 scahrs1_1009 37369 38370
49 scahrs1_1009 53086 54087
50 scahrs1_1009 83722 91045
51 scahrs1_1010 11341 12342
52 scahrs1_1010 33500 34501
53 scahrs1_1010 34931 35932
54 scahrs1_1010 37937 38938
下面是我的一小部分数据table。 table中的每一行代表一个转录本，第一列是染色体名称，第二列是转录本起始位点，第三列是转录本终止位点。
我现在要做的是比较同一染色体内每相邻两行的'upper row'终止位点和'next row'起始位点。如果 'upper row' 结束位点大于 'next row' 起始位点，即两个转录本重叠，将两个转录本合并为一个并使用 'upper row' 起始位点和 'next line'结束站点。需要注意的是，我不是比较相邻行的 'every pair' ，而是只比较同一染色体内的相邻行；这意味着根本不会比较第一列名称不同的相邻行。
scahrs1_1000 84808 85809
scahrs1_1001 1 753
scahrs1_1001 14931 15932
scahrs1_1001 15232 18008
scahrs1_1001 21211 22212
scahrs1_1001 40908 41909
scahrs1_1001 63233 64234
scahrs1_1001 76009 77010
scahrs1_1002 1068 2069
scahrs1_1002 12992 13993
scahrs1_1002 40448 41449
scahrs1_1003 2227 3228
scahrs1_1003 18453 19454
scahrs1_1003 28679 29680
scahrs1_1003 41161 42162
scahrs1_1003 41735 42736
scahrs1_1003 41867 44041
scahrs1_1003 64416 65417
scahrs1_1003 71219 72220
scahrs1_1003 96090 97091
scahrs1_1003 96754 98307
scahrs1_1004 1554 2555
scahrs1_1004 29086 30087
scahrs1_1004 44100 45101
scahrs1_1004 47799 48800
scahrs1_1004 59550 60551
scahrs1_1004 69356 70357
scahrs1_1004 71809 72810
scahrs1_1004 84272 85273
scahrs1_1004 89034 90035
scahrs1_1004 98627 99628
scahrs1_1005 6695 7696
scahrs1_1005 30160 31161
scahrs1_1006 298 1299
scahrs1_1006 70134 71135
scahrs1_1006 93750 94751
scahrs1_1008 3859 4860
scahrs1_1008 5575 6576
scahrs1_1008 7072 8073
scahrs1_1008 9342 10343
scahrs1_1008 11814 12815
scahrs1_1008 15290 16291
scahrs1_1008 40167 41168
scahrs1_1008 42890 43891
scahrs1_1008 44806 45807
scahrs1_1008 74442 75443
scahrs1_1008 82112 83113
scahrs1_1008 93766 94767
scahrs1_1008 95233 96234
scahrs1_1009 8000 9001
scahrs1_1009 37369 38370
scahrs1_1009 53086 54087
scahrs1_1009 83722 84723
scahrs1_1009 83994 91045
scahrs1_1010 11341 12342
scahrs1_1010 33500 34501
scahrs1_1010 34931 35932
scahrs1_1010 37937 38938
我要得到的循环输出是：
scahrs1_1000 84808 85809
scahrs1_1001 1 753
scahrs1_1001 14931 18008
scahrs1_1001 21211 22212
scahrs1_1001 40908 41909
scahrs1_1001 63233 64234
scahrs1_1001 76009 77010
scahrs1_1002 1068 2069
scahrs1_1002 12992 13993
scahrs1_1002 40448 41449
scahrs1_1003 2227 3228
scahrs1_1003 18453 19454
scahrs1_1003 28679 29680
scahrs1_1003 41161 44041
scahrs1_1003 64416 65417
scahrs1_1003 71219 72220
scahrs1_1003 96090 98307
scahrs1_1004 1554 2555
scahrs1_1004 29086 30087
scahrs1_1004 44100 45101
scahrs1_1004 47799 48800
scahrs1_1004 59550 60551
scahrs1_1004 69356 70357
scahrs1_1004 71809 72810
scahrs1_1004 84272 85273
scahrs1_1004 89034 90035
scahrs1_1004 98627 99628
scahrs1_1005 6695 7696
scahrs1_1005 30160 31161
其中‘scahrs1_1001’合并并减少1行，‘scahrs1_1003’合并并减少3行。 我有很多行以 'scahrs1...' 开头的数据。我认为通过 R 中的循环可能很容易实现，谁能给我一些建议？
有点乱，不过你可以试试
我定义df为
df <- read.table(text = "scahrs1_1000 84808 85809
scahrs1_1001 1 753
scahrs1_1001 14931 15932
scahrs1_1001 15232 18008
scahrs1_1001 21211 22212
scahrs1_1001 40908 41909
scahrs1_1001 63233 64234
scahrs1_1001 76009 77010
scahrs1_1002 1068 2069
scahrs1_1002 12992 13993
scahrs1_1002 40448 41449
scahrs1_1003 2227 3228
scahrs1_1003 18453 19454
scahrs1_1003 28679 29680
scahrs1_1003 41161 42162
scahrs1_1003 41735 42736
scahrs1_1003 41867 44041
scahrs1_1003 64416 65417
scahrs1_1003 71219 72220
scahrs1_1003 96090 97091
scahrs1_1003 96754 98307
scahrs1_1004 1554 2555
scahrs1_1004 29086 30087
scahrs1_1004 44100 45101
scahrs1_1004 47799 48800
scahrs1_1004 59550 60551
scahrs1_1004 69356 70357
scahrs1_1004 71809 72810
scahrs1_1004 84272 85273
scahrs1_1004 89034 90035
scahrs1_1004 98627 99628
scahrs1_1005 6695 7696
scahrs1_1005 30160 31161
scahrs1_1006 298 1299
scahrs1_1006 70134 71135
scahrs1_1006 93750 94751
scahrs1_1008 3859 4860
scahrs1_1008 5575 6576
scahrs1_1008 7072 8073
scahrs1_1008 9342 10343
scahrs1_1008 11814 12815
scahrs1_1008 15290 16291
scahrs1_1008 40167 41168
scahrs1_1008 42890 43891
scahrs1_1008 44806 45807
scahrs1_1008 74442 75443
scahrs1_1008 82112 83113
scahrs1_1008 93766 94767
scahrs1_1008 95233 96234
scahrs1_1009 8000 9001
scahrs1_1009 37369 38370
scahrs1_1009 53086 54087
scahrs1_1009 83722 84723
scahrs1_1009 83994 91045
scahrs1_1010 11341 12342
scahrs1_1010 33500 34501
scahrs1_1010 34931 35932
scahrs1_1010 37937 38938")
names(df) <- c("chromosome", "start", "end")
程序是，
library(dplyr)
chromosomes <- unique(df$chromosome)
res <- data.frame()
for (i in chromosomes) {
df_dummy <- df[df$chromosome == i,]
if (nrow(df_dummy) == 1){
res <- rbind(res, df_dummy)
} else {
for (j in 1:(nrow(df_dummy)-1)){
print(c(df_dummy$end[j], df_dummy$start[j+1]))
if (df_dummy$end[j] > df_dummy$start[j+1]){
print(j)
df_dummy$end[j] <- df_dummy$end[j+1]
df_dummy$start[j+1] <- df_dummy$start[j]
}
}
res <- rbind(res, df_dummy)
}
}
res %>%
distinct()
那么，结果是
chromosome start end
1 scahrs1_1000 84808 85809
2 scahrs1_1001 1 753
3 scahrs1_1001 14931 18008
4 scahrs1_1001 21211 22212
5 scahrs1_1001 40908 41909
6 scahrs1_1001 63233 64234
7 scahrs1_1001 76009 77010
8 scahrs1_1002 1068 2069
9 scahrs1_1002 12992 13993
10 scahrs1_1002 40448 41449
11 scahrs1_1003 2227 3228
12 scahrs1_1003 18453 19454
13 scahrs1_1003 28679 29680
14 scahrs1_1003 41161 42736
15 scahrs1_1003 41161 44041
16 scahrs1_1003 64416 65417
17 scahrs1_1003 71219 72220
18 scahrs1_1003 96090 98307
19 scahrs1_1004 1554 2555
20 scahrs1_1004 29086 30087
21 scahrs1_1004 44100 45101
22 scahrs1_1004 47799 48800
23 scahrs1_1004 59550 60551
24 scahrs1_1004 69356 70357
25 scahrs1_1004 71809 72810
26 scahrs1_1004 84272 85273
27 scahrs1_1004 89034 90035
28 scahrs1_1004 98627 99628
29 scahrs1_1005 6695 7696
30 scahrs1_1005 30160 31161
31 scahrs1_1006 298 1299
32 scahrs1_1006 70134 71135
33 scahrs1_1006 93750 94751
34 scahrs1_1008 3859 4860
35 scahrs1_1008 5575 6576
36 scahrs1_1008 7072 8073
37 scahrs1_1008 9342 10343
38 scahrs1_1008 11814 12815
39 scahrs1_1008 15290 16291
40 scahrs1_1008 40167 41168
41 scahrs1_1008 42890 43891
42 scahrs1_1008 44806 45807
43 scahrs1_1008 74442 75443
44 scahrs1_1008 82112 83113
45 scahrs1_1008 93766 94767
46 scahrs1_1008 95233 96234
47 scahrs1_1009 8000 9001
48 scahrs1_1009 37369 38370
49 scahrs1_1009 53086 54087
50 scahrs1_1009 83722 91045
51 scahrs1_1010 11341 12342
52 scahrs1_1010 33500 34501
53 scahrs1_1010 34931 35932
54 scahrs1_1010 37937 38938