我有一个“sample_values”列,其中包含用“,”和“:”字符分隔的不同数量的双重连接数据。我需要将值用“,”分隔成新变量(列),并用“:”分隔这些新变量的观察值。此处显示了有问题的data.frame的一小部分:
```{r}
> CDR3 <- c("CASSKGTGGPYEQYF", "CASSSDTDPSYGYTF", "CASSFGTGKNTEAFF", "CASSPRPRYYEQYF")
> sample_values <- c("sample_a:36,sample_b:24,sample_c:56", "sample_a:47", "sample_a:73,sample_b:12", "sample_c:76,sample_d:89")
> df <- data.frame(CDR3, sample_values)
> df
CDR3 sample_values
1 CASSKGTGGPYEQYF sample_a:36,sample_b:24,sample_c:56
2 CASSSDTDPSYGYTF sample_a:47
3 CASSFGTGKNTEAFF sample_a:73,sample_b:12
4 CASSPRPRYYEQYF sample_c:76,sample_d:8
```
我想最终得到以下结果:
```{r}
CDR3 sample_a sample_b sample_c sample_d
1 CASSKGTGGPYEQYF 36 24 56 0
2 CASSSDTDPSYGYTF 47 0 0 0
3 CASSFGTGKNTEAFF 73 12 0 0
4 CASSPRPRYYEQYF 0 0 76 89
```
我要指出,缺乏观察应该被解释为零。
我尝试使用separate()
包中的spread()
和tidyr
的各种组合,以及使用cSplit()
包中的splitstackshape
。 tidyr
选项失败,因为在列中分隔的观察数量不同,并且splitstackshape
选项由于内存不足而失败(未删节的数据文件大小为485 MB)。
使用tidyverse
我们可以首先将所有sample_values
带入单独的行,然后将separate
列名称和值放入单独的列中,最后将spread
用于宽格式填充缺失值为0。
library(tidyverse)
df %>%
separate_rows(sample_values, sep = ",") %>%
separate(sample_values, into = c("col", "values"), sep = ":") %>%
spread(col, values, fill = 0)
# CDR3 sample_a sample_b sample_c sample_d
# <fct> <chr> <chr> <chr> <chr>
#1 CASSFGTGKNTEAFF 73 12 0 0
#2 CASSKGTGGPYEQYF 36 24 56 0
#3 CASSPRPRYYEQYF 0 0 76 89
#4 CASSSDTDPSYGYTF 47 0 0 0