在R中非常大的数据集中将2列多次合并为1列

如果我可以使它们起作用,那么我正在研究的笨拙解决方案将不会很快,并且真正的数据集是〜1500 X 45000,因此它们需要很快。尽管有一些2)和3)的代码,但我现在确实对1)感到茫然。

这是数据结构的一个示例:

pop = data.frame(status = rbinom(n, 1, .42), sex = rbinom(n, 1, .5),
age = round(rnorm(n, mean=40, 10)), disType = rbinom(n, 1, .2),
rs123=c(1,3,1,3,3,1,1,1,3,1), rs123.1=rep(1, n), rs157=c(2,4,2,2,2,4,4,4,2,2),
rs157.1=c(4,4,4,2,4,4,4,4,2,2),  rs132=c(4,4,4,4,4,4,4,4,2,2),
rs132.1=c(4,4,4,4,4,4,4,4,4,4))


因此,有几列基本的人口统计信息,然后其余的列是双等位基因SNP信息。例如:rs123是rs123的等位基因1,而rs123.1是rs123的第二等位基因。

1)我需要将当前在2列中的所有双等位基因SNP数据合并为1列,因此,例如:rs123和rs123.1合并为一列(但在数据集中):

11
31
11
31
31
11
11
11
31
11


2)我需要确定最不频繁的SNP值(在上面的示例中为31)。

3)我需要将最不频繁的SNP值替换为1,将其他SNP值替换为0。

最佳答案

您是说“合并”或“重新排列”,还是简单地串联在一起?如果是后者,那么

R> pop2 <- data.frame(pop[,1:4], rs123=paste(pop[,5],pop[,6],sep=""),
+                                rs157=paste(pop[,7],pop[,8],sep=""),
+                                rs132=paste(pop[,9],pop[,10], sep=""))
R> pop2
   status sex age disType rs123 rs157 rs132
1       0   0  42       0    11    24    44
2       1   1  37       0    31    44    44
3       1   0  38       0    11    24    44
4       0   1  45       0    31    22    44
5       1   1  25       0    31    24    44
6       0   1  31       0    11    44    44
7       1   0  43       0    11    44    44
8       0   0  41       0    11    44    44
9       1   1  57       0    31    22    24
10      1   1  40       0    11    22    24


现在您可以在pop2上进行计数了,什么都没做:

R> sapply(pop2[,5:7], table)
$rs123

11 31
 6  4

$rs157

22 24 44
 3  3  4

$rs132

24 44
 2  8

R>

07-28 06:51