下采样数据集

Question

我有一个数据集，它是一个大的字符向量(1,024,459个元素)，由基因ID组成。看上去：

> length(allres)
[1] 1024459
>allres[1:10]  
[1] "1"   "1"   "1"   "1"   "1"   "1"   "1"   "10"  "10"  "100"  

每个基因ID被重复的次数是在RNA seq运行时看到的(因此，这里有7条读取基因"1"，2条读取基因"10")。我想用10,000次读取间隔绘制出每读一次识别的基因数，这样如果随机抽取10,000、20,000、30,000等读取，我就可以识别出多少个基因。我用seq()函数做了一个间隔向量，如下所示：

> gaps <- seq(10000, length(allres), by=10000)  

但我不知道如何将它应用于我的所有向量并绘制它。任何帮助都是非常感谢的。

Answer 1

所以，你可能想要的是这样的：

gaps <- seq(10000, length(allres), by = 10000)

lapply(gaps, function(x){

    #This will give you the number of appearances of each value, within
    #an gaps[x]-sized sample of allres
    aggregated_sample <- table(sample(allres, size = x))

    #plotting code for sample goes here. And "x" is the number of reads so
    #you can even use it in the title!
    #Just remember to include code to save it to disc, if you want to save it to disc.
    return(TRUE)

})

当然，如果您使用ggplot2进行绘图，您甚至可以将绘图保存为对象，然后返回(绘图)而不是返回(TRUE)，然后再进行进一步的调整/调查。