根据 data.frame 的分组计算统计数据

Question

我有以下 data.frame 我想计算一些统计数据：

       gene_symbol signal_window signal_score MEF_chRNA     ES_chRNA signal_dist_to_gene
262764        GOT1        218220         0.08 0.2696089 0.3356937140               44805
403001        NKX2        218220         0.08 0.0000000 0.0008852885               42915
262630        GOT1        218221         0.08 0.2696089 0.3356937140               45005
403039        NKX2        218221         0.08 0.0000000 0.0008852885               42715
262793        GOT1        218222         0.00 0.2696089 0.3356937140               45205
402663        NKX2        218222         0.00 0.0000000 0.0008852885               42515
262867        GOT1        218223         0.16 0.2696089 0.3356937140               45405
402737        NKX2        218223         0.16 0.0000000 0.0008852885               42315
262677        GOT1        218224         0.16 0.2696089 0.3356937140               45605
403006        NKX2        218224         0.16 0.0000000 0.0008852885               42115
262858        GOT1        218225         0.16 0.2696089 0.3356937140               45805
402953        NKX2        218225         0.16 0.0000000 0.0008852885               41915

如示例 data.frame 所示，每个 signal_window 可以有多个 gene_symbol 值。现在，对于每个 signal_window 中的每个 gene_symbol，我想计算 1/signal_dist_to_gene。我想使用此值计算每个 signal_window 中每个 gene_symbol 的每个 1/signal_dist_to_gene 的总和。

例如，window 218220 有两个基因。对于我要计算的每个基因：

gene_weight_GOT1 = (1/signal_dist_to_gene_GOT1) / (1/signal_dist_to_gene_GOT1 + 1/signal_dist_to_gene_NKX2)
gene_weight_NKX2 = (1/signal_dist_to_gene_NKX2) / (1/signal_dist_to_gene_GOT1 + 1/signal_dist_to_gene_NKX2)

我最终想使用这些 gene_weight 变量来计算：

MEF_prop = [MEF_chRNA_GOT1 * gene_weight_GOT1 * 1/2 + MEF_chRNA_NKX2 * gene_weight_NKX2 * 1/2] / [gene_weight_GOT1 * (MEF_chRNA_GOT1/2 + ES_chRNA_GOT1/2) + gene_weight_NKX2 * (MEF_chRNA_NKX2/2 + ES_chRNA_NKX2/2)]

不能保证同一个 window 中总会有 2 个基因。有些情况下没有基因 (NA)，有些情况下有 20 多个基因。 有没有使用 plyr 或 dplyr 计算这个的简单方法？

Answer 1

这应该可以做到。首先我们按 signal_window 分组，然后按照您指定的方式计算权重。分母中的sum是在组(signal_window)

上计算的

library(tidyverse)
df %>%
  group_by(signal_window) %>%
  mutate(gene_weight = (1 / signal_dist_to_gene) / sum(1/signal_dist_to_gene))

Answer 2

标准 dplyr 语法 data.df %>% group_by() %>% mutate() 应该非常简单明了。

您的代码最终可能看起来像这样：

data.df %>% 
group_by(signal_window, gene_symbol) %>% 
mutate(gene_weight = (1/signal_dist_to_gene) / sum(1/signal_dist_to_gene)) %>%
mutate(MEF_prop = (MEF_chRNA * gene_weight * 1/2 + MEF_chRNA * gene_weight * 1/2) / (gene_weight * (MEF_chRNA/2 + ES_chRNA/2) + gene_weight * (MEF_chRNA/2 + ES_chRNA/2)))

如果您希望每个重复符号在 signal_window 中得到唯一处理，您可以从 group_by 中删除 gene_symbol，或者如果您希望它们分组，则保留它。

这就是你想要的吗？

根据 data.frame 的分组计算统计数据

Compute statistics based on grouping of data.frame

r

plyr

dplyr