R部分列表上的聚合

Question

我有一个大型数据帧(base_cov_norm_compl_taxid3)，每行表示一个基因组区域，每列表示该区域在样本中的覆盖率。每个紫杉科有多个基因组区域(类似于基因组)，我想使用聚合来寻找相同类型的所有基因组区域的均值和sd等。

 base_cov_norm_compl_taxid3[1:10,1:10]
                               geneid_stst attr   taxid
1  1001585.66299.NC_015410_1089905_1090333 mrkg 1001585
2  1001585.66299.NC_015410_1090348_1090740 mrkg 1001585
3  1001585.66299.NC_015410_1215751_1216851 mrkg 1001585 
4  1001585.66299.NC_015410_2346036_2347421 mrkg 1001585
5  1001585.66299.NC_015410_2354962_2429569 PFPR 1001585
6  1001585.66299.NC_015410_2610633_2611913 mrkg 1001585
7  1001585.66299.NC_015410_3224232_3225248 mrkg 1001585
8  1001585.66299.NC_015410_3682375_3683115 mrkg 1001585
9  1001585.66299.NC_015410_4101816_4103195 mrkg 1001585
10 1001585.66299.NC_015410_4141587_4142873 mrkg 1001585
                       locus X765560005.stool1 X764224817.stool1       MH0008
1  NC_015410_1089905_1090333                 0                 0 0.0000000000
2  NC_015410_1090348_1090740                 0                 0 0.0000000000
3  NC_015410_1215751_1216851                 0                 0 0.0000000000
4  NC_015410_2346036_2347421                 0                 0 0.0281385281
5  NC_015410_2354962_2429569                 0                 0 0.0005361355
6  NC_015410_2610633_2611913                 0                 0 0.0000000000  
7  NC_015410_3224232_3225248                 0                 0 0.0000000000
8  NC_015410_3682375_3683115                 0                 0 0.0000000000 
9  NC_015410_4101816_4103195                 0                 0 0.0000000000
10 NC_015410_4141587_4142873                 0                 0 0.0000000000
       V1.CD9.0 X764062976.stool1 X160643649.stool1
1  0.0000000000                 0                 0
2  0.0000000000                 0                 0
3  0.0000000000                 0                 0
4  0.0000000000                 0                 0
5  0.0004557152                 0                 0
6  0.0000000000                 0                 0
7  0.0000000000                 0                 0
8  0.0000000000                 0                 0
9  0.0000000000                 0                 0
10 0.0000000000                 0                 0

mrkg类型的基因组总是有多个区域，有时每个基因组有多个PFPR区。我想按taxid和attr进行聚合，但是只针对那些使用attr=mrkg的人。我不知道该怎么做。下面的代码可以按taxid和attr进行聚合，但我想先编写list(base_cov_norm_compl_taxid3$taxid,base_cov_norm_compl_taxid3$attr=mrkg)或一些子集？

感谢您的任何帮助，

base_cov_mean<-aggregate(base_cov_norm_compl_taxid3[,5:266],
  list(base_cov_norm_compl_taxid3$taxid,
  base_cov_norm_compl_taxid3$attr),mean)

Answer 1

 subdf <- subset(base_cov_norm_compl_taxid3, attr %in% "mrkg")
 base_cov_mean <- with(subdf,    aggregate(subdf[5:266], 
                                   by=list(taxid, attr),
                                   FUN=mean)  
                        )

我没有使用attr == "mrkg"，因为它也不能泛化。

Answer 2

您可以使用data.table

• 它针对mean进行了优化，所以会非常快。
• 在调用中定义subset也很容易。
• 它拥有@Dwin的with解决方案的所有优点，而不必使用大量的$的

来污染代码

下面是一个例子

library(data.table)
DT <- data.table( base_cov_norm_compl_taxid3)
# the columns of which you want the eman
columns_of_interest <- names(DT)[5:266]
DT[attr %in% 'mrkg', lapply(.SD, mean), by = list(taxid, attr), .SDcols = columns_of_interest]