R中具有多个分隔符的拆分数据格式

Question

df1 <- 
     Gene             GeneLocus 
    CPA1|1357       chr7:130020290-130027948:+     
    GUCY2D|3000     chr17:7905988-7923658:+   
    UBC|7316        chr12:125396194-125399577:-            
    C11orf95|65998  chr11:63527365-63536113:-        
    ANKMY2|57037    chr7:16639413-16685398:- 

预期产出

df2 <- 
     Gene.1   Gene.2             chr     start     end 
    CPA1      1357               7     130020290 130027948   
    GUCY2D    3000               17      7905988   7923658  
    UBC       7316               12    125396194 125399577          
    C11orf95  65998              11     63527365  63536113     
    ANKMY2    57037               7     16639413  16685398]]

我试过这样..。

install.packages("splitstackshape")
library(splitstackshape)
df1 <- cSplit(df1,"Gene", sep="|", direction="wide", fixed=T)
df1 <- cSplit(df1,"GeneLocus",sep=":",direction="wide", fixed=T)
df1 <- cSplit(df1,"GeneLocus_2",sep="-",direction="wide", fixed=T)
df1 <- data.frame(df1)
df2$GeneLocus_1 <- gsub("chr","", df1$GeneLocus_1)

我想知道是否还有其他更简单的方法

Answer 1

在这里，go...Just忽略了不影响输出的警告；它实际上具有删除串信息(:+或:-)的副作用。

library(tidyr)
library(dplyr)
df1 %>% separate(Gene, c("Gene.1","Gene.2")) %>% separate(GeneLocus, c("chr","start","end")) %>% mutate(chr=sub("chr","",chr))

输出：

    Gene.1 Gene.2 chr     start       end
1     CPA1   1357   7 130020290 130027948
2   GUCY2D   3000  17   7905988   7923658
3      UBC   7316  12 125396194 125399577
4 C11orf95  65998  11  63527365  63536113
5   ANKMY2  57037   7  16639413  16685398

Answer 2

我建议采取以下方法：

1. 在您的"GeneLocus“列中创建一个分隔符(并删除不必要的部分)。
2. 同时分割两列。注意，根据检测到的输出列数，cSplit“平衡”了正在拆分的列。因此，由于第一列在拆分时只生成2列，而第二列将导致4，因此需要从结果中删除列3和4。

library(splitstackshape)

GLPat <- "^chr(\\d+):(\\d+)-(\\d+):([+-])$"
cSplit(as.data.table(mydf)[, GeneLocus := gsub(
  GLPat, "\\1|\\2|\\3|\\4", GeneLocus)], names(mydf), "|")[
    , 3:4 := NULL, with = FALSE][]
#      Gene_1 Gene_2 GeneLocus_1 GeneLocus_2 GeneLocus_3 GeneLocus_4
# 1:     CPA1   1357           7   130020290   130027948           +
# 2:   GUCY2D   3000          17     7905988     7923658           +
# 3:      UBC   7316          12   125396194   125399577           -
# 4: C11orf95  65998          11    63527365    63536113           -
# 5:   ANKMY2  57037           7    16639413    16685398           -

或者，您可以从我的"SOfun“包中尝试使用SOfun，您可以这样做：

library(SOfun)

Pat <- "^chr(\\d+):(\\d+)-(\\d+):([+-])$"
Fun <- function(invec) strsplit(gsub(Pat, "\\1|\\2|\\3|\\4", invec), "|", TRUE)

col_flatten(as.data.table(mydf)[, lapply(.SD, Fun)], names(mydf), drop = TRUE)
#      Gene_1 Gene_2 GeneLocus_1 GeneLocus_2 GeneLocus_3 GeneLocus_4
# 1:     CPA1   1357           7   130020290   130027948           +
# 2:   GUCY2D   3000          17     7905988     7923658           +
# 3:      UBC   7316          12   125396194   125399577           -
# 4: C11orf95  65998          11    63527365    63536113           -
# 5:   ANKMY2  57037           7    16639413    16685398           -

SOfun只在GitHub上，所以您可以用以下方式安装它：

source("http://news.mrdwab.com/install_github.R")
install_github("mrdwab/SOfun")