[R] how to count "A", "C", "T", "G" in each row in a big data.frame?
arun
smartpink111 at yahoo.com
Thu Jan 10 14:34:01 CET 2013
Hi Yao,
Did comparison of the different methods:
dat2<- dat1[rep(row.names(dat1),2000),]
nrow(dat2)
#[1] 40000
row.names(dat2)<-1:40000
dd <- dat2[,-(1:4)]
foo <- function(x) table(factor(unlist(strsplit(as.character(x), "")), levels = c('A','C','G','T')))
system.time(res3<-t(apply(dat2[, -c(1:4)], 1, foo)) )
# user system elapsed
# 10.212 0.032 10.265
library(reshape2)
system.time(res2 <- dcast(melt(within(dd,{id=row.names(dd)}),id.var="id"),id~value,length))
#user system elapsed
# 3.232 0.096 3.358
system.time({idx<-sapply(strsplit(names(res2),split=""),anyDuplicated)
res4<-do.call(cbind,lapply(LETTERS[c(1,3,7,20)],function(i){rowSums(data.frame(rowSums(res2[idx==0][grep(i,names(res2)[idx==0])]),2*res2[idx!=0][grep(i,names(res2)[idx!=0])]))}))
colnames(res4)<-LETTERS[c(1,3,7,20)]})
# user system elapsed
# 0.168 0.000 0.171
#Combined result
system.time({res2 <- dcast(melt(within(dd,{id=row.names(dd)}),id.var="id"),id~value,length)
idx<-sapply(strsplit(names(res2),split=""),anyDuplicated)
res4<-do.call(cbind,lapply(LETTERS[c(1,3,7,20)],function(i){rowSums(data.frame(rowSums(res2[idx==0][grep(i,names(res2)[idx==0])]),2*res2[idx!=0][grep(i,names(res2)[idx!=0])]))}))
colnames(res4)<-LETTERS[c(1,3,7,20)]
res5<-data.frame(res2,res4)
})
# user system elapsed
# 3.025 0.040 3.072
head(res5,5)
# id AA AG CC CT GA GG GT TC TG TT A C G T
#1 1 29 10 0 0 13 1 0 0 0 0 81 0 25 0
#2 10 0 4 0 0 6 43 0 0 0 0 10 0 96 0
#3 100 19 15 0 0 15 4 0 0 0 0 68 0 38 0
#4 1000 19 15 0 0 15 4 0 0 0 0 68 0 38 0
#5 10000 19 15 0 0 15 4 0 0 0 0 68 0 38 0
system.time(res6<- table(rownames(dd)[row(dd)], unlist(dd)))
# user system elapsed
# 4.840 0.016 4.899
head(res6,5)
#
AA AG CC CT GA GG GT TC TG TT
# 1 29 10 0 0 13 1 0 0 0 0
# 10 0 4 0 0 6 43 0 0 0 0
# 100 19 15 0 0 15 4 0 0 0 0
# 1000 19 15 0 0 15 4 0 0 0 0
# 10000 19 15 0 0 15 4 0 0 0 0
system.time({#rows would be:
test2<-apply(dat2[,-c(1:4)],1,function(x){table(t(x))})
#find single values in a row
res7<- sapply(test2,function(row){
allVars<-paste(names(row),collapse="")
u <- unique(strsplit(allVars,"")[[1]])
parts<-sapply(names(row),function(x){u%in%strsplit(x,"")[[1]]})
mat<-parts%*%row
rownames(mat)<-u
mat
})})
#user system elapsed
#21.553 0.000 21.591
A.K.
----- Original Message -----
From: Yao He <yao.h.1988 at gmail.com>
To: arun <smartpink111 at yahoo.com>
Cc: William Dunlap <wdunlap at tibco.com>; R help <r-help at r-project.org>
Sent: Wednesday, January 9, 2013 11:46 PM
Subject: Re: [R] how to count "A","C","T","G" in each row in a big data.frame?
Hi arun
Then how could spilt them and get a table of letters count such as:
id AA AG CC CT GA GG GT TC TG TT
id A T C G
> #1 27412 81 0 0 25
> #2 27413 0 77 29 0
Thanks
2013/1/10 arun <smartpink111 at yahoo.com>:
> Hi Yao,
> You could also use:
> library(reshape2)
> dd<-dat1[,-(1:4)]
> res<-dcast(melt(within(dd,{id=row.names(dd)}),id.var="id"),id~value,length)
> head(res)
> # id AA AG CC CT GA GG GT TC TG TT
> #1 27412 29 10 0 0 13 1 0 0 0 0
> #2 27413 0 0 4 9 0 0 0 12 0 28
> #3 27414 0 0 0 0 0 0 0 0 0 53
> #4 27415 0 0 53 0 0 0 0 0 0 0
> #5 27416 0 0 3 9 0 0 0 12 0 29
> #6 27417 0 0 53 0 0 0 0 0 0 0
>
> #Just for comparison:
> dat2<- dat1[rep(row.names(dat1),2000),]
> nrow(dat2)
> #[1] 40000
> row.names(dat2)<-1:40000
> dd <- dat2[,-(1:4)]
> system.time(res1<- table(rownames(dd)[row(dd)], unlist(dd)))
> # user system elapsed
> # 5.840 0.104 5.954
> system.time(res2 <- dcast(melt(within(dd,{id=row.names(dd)}),id.var="id"),id~value,length))
> # user system elapsed
> # 3.100 0.064 3.167
> head(res1,3)
>
> # AA AG CC CT GA GG GT TC TG TT
> # 1 29 10 0 0 13 1 0 0 0 0
> # 10 0 4 0 0 6 43 0 0 0 0
> # 100 19 15 0 0 15 4 0 0 0 0
> head(res2,3)
> # id AA AG CC CT GA GG GT TC TG TT
> #1 1 29 10 0 0 13 1 0 0 0 0
> #2 10 0 4 0 0 6 43 0 0 0 0
> #3 100 19 15 0 0 15 4 0 0 0 0
>
> A.K.
>
>
>
>
>
>
>
> ----- Original Message -----
> From: Yao He <yao.h.1988 at gmail.com>
> To: R help <r-help at r-project.org>
> Cc:
> Sent: Wednesday, January 9, 2013 9:23 AM
> Subject: [R] how to count "A","C","T","G" in each row in a big data.frame?
>
> Dear All
>
> I have a data.frame like that:
> structure(list(name = c("Gga_rs10722041", "Gga_rs10722249", "Gga_rs10722565",
> "Gga_rs10723082", "Gga_rs10723993", "Gga_rs10724555", "Gga_rs10726238",
> "Gga_rs10726461", "Gga_rs10726774", "Gga_rs10726967", "Gga_rs10727581",
> "Gga_rs10728004", "Gga_rs10728156", "Gga_rs10728177", "Gga_rs10728373",
> "Gga_rs10728585", "Gga_rs10729598", "Gga_rs10729643", "Gga_rs10729685",
> "Gga_rs10729827"), chr = c(7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L,
> 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L), pos = c(11248993L,
> 20038370L, 16164457L, 38050527L, 20307106L, 13707090L, 12230458L,
> 36732967L, 2790856L, 1305785L, 29631963L, 13606593L, 13656397L,
> 2261611L, 32096703L, 13733153L, 16524147L, 558735L, 12514023L,
> 3619538L), strand = c("+", "+", "+", "+", "+", "+", "+", "+",
> "+", "+", "+", "+", "+", "+", "+", "+", "+", "+", "+", "+"),
> X2353 = c("AA", "TT", "TT", "CC", "TT", "CC", "CC", "TT",
> "CC", "GG", "AG", "AG", "AG", "TT", "CC", "AG", "CC", "AA",
> "GG", "GG"), X2409 = c("AA", "CT", "TT", "CC", "CT", "CC",
> "CC", "TT", "CC", "GG", "GG", "AG", "AG", "TT", "CC", "AG",
> "CC", "AA", "AG", "GA"), X2500 = c("GA", "TT", "TT", "CC",
> "TT", "CC", "CC", "TT", "CC", "GG", "GG", "GG", "GG", "GT",
> "CT", "GG", "CC", "AA", "AA", "AA"), X2598 = c("AA", "TT",
> "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "AA", "AG",
> "GG", "TT", "CC", "AG", "TC", "AA", "AA", "AG"), X2610 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GA",
> "GA", "GG", "TT", "CC", "GA", "CC", "AA", "AA", "GA"), X2300 = c("GA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GA",
> "AA", "AG", "TT", "TC", "AA", "TC", "AA", "AG", "AA"), X2507 = c("AG",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GA", "GG", "TT", "TC", "GG", "CC", "AA", "GA", "AG"), X2530 = c("AG",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GG", "AA",
> "GG", "GG", "TT", "CC", "GG", "CC", "AA", "AA", "AA"), X2327 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GA",
> "GG", "GG", "TT", "TC", "GG", "CC", "AA", "AA", "AA"), X2389 = c("AA",
> "CC", "TT", "CC", "CC", "CC", "CC", "TT", "CC", "AG", "GG",
> "AG", "GG", "TT", "TC", "AG", "CC", "AA", "AA", "AA"), X2408 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GA",
> "GA", "GG", "TT", "CC", "GA", "CC", "AA", "AA", "AG"), X2463 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GG", "GG", "TT", "CT", "GG", "CC", "AA", "AA", "GA"), X2420 = c("GA",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GG", "AG",
> "GG", "GG", "TG", "TT", "GG", "CT", "AA", "AA", "AA"), X2563 = c("GA",
> "CC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GG", "GA",
> "GG", "GG", "GT", "TT", "GG", "CT", "AA", "AA", "AA"), X2462 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "AA",
> "GG", "GG", "GT", "TC", "GG", "CC", "AA", "AA", "AA"), X2292 = c("GA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GA",
> "AA", "GG", "TG", "TC", "AA", "TC", "AA", "AA", "AA"), X2405 = c("GA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GG",
> "AG", "GG", "TG", "TT", "AA", "CT", "AA", "AA", "AA"), X2543 = c("AA",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GA", "GA",
> "GA", "GG", "TT", "CT", "GA", "TT", "AA", "AA", "GG"), X2557 = c("AG",
> "CT", "TT", "CC", "CT", "CC", "CC", "TT", "CC", "GG", "AG",
> "GA", "GG", "GT", "CT", "GA", "CT", "AA", "AA", "AG"), X2583 = c("GA",
> "CT", "TT", "CC", "CT", "CC", "CC", "TT", "CC", "GG", "GA",
> "GG", "GG", "GG", "CT", "GA", "CT", "AA", "AA", "AG"), X2322 = c("AG",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GG", "GG", "GT", "TT", "GG", "CC", "AA", "AA", "GA"), X2535 = c("AA",
> "TC", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GA",
> "GG", "GG", "TT", "CC", "GG", "CC", "AA", "AA", "AG"), X2536 = c("GA",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GG", "GG",
> "AG", "GG", "TT", "TC", "AG", "TC", "AA", "AA", "GA"), X2581 = c("AG",
> "CT", "TT", "CC", "CT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GA", "GG", "TT", "CC", "GA", "CT", "AA", "AA", "AG"), X2570 = c("AA",
> "CT", "TT", "CC", "CT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GG", "GG", "TT", "TC", "GG", "CC", "AA", "AA", "GG"), X2476 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GG", "GG", "GT", "TC", "AG", "CC", "AA", "AA", "AG"), X2534 = c("GA",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GG", "GA",
> "AG", "GG", "TG", "CC", "AG", "TC", "AA", "AA", "AA"), X2280 = c("AA",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GG", "AG",
> "AG", "GG", "TT", "CC", "GG", "CC", "AA", "AA", "AG"), X2316 = c("AA",
> "CC", "TT", "CC", "CC", "CC", "CC", "TT", "CC", "AG", "AA",
> "AA", "AG", "TT", "TC", "GG", "CT", "AA", "GG", "GG"), X2339 = c("AA",
> "CC", "TT", "CC", "CC", "CC", "CC", "TT", "CC", "GA", "AA",
> "GG", "GG", "GT", "CT", "GG", "TT", "AA", "AA", "AG"), X2331 = c("AA",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GG", "GG",
> "GG", "GG", "TT", "CC", "GG", "CC", "AA", "AA", "AG"), X2343 = c("AA",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GG", "GG",
> "GG", "GG", "TT", "CT", "GG", "CC", "AA", "AA", "GA"), X2352 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "AA",
> "GG", "GG", "TT", "CC", "GG", "CC", "AA", "GA", "AG"), X2293 = c("GA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GA",
> "AA", "GG", "TT", "TC", "AA", "CT", "AA", "AA", "AA"), X2338 = c("GA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GG",
> "AG", "GG", "TT", "TC", "AG", "TC", "AA", "AA", "GA"), X2449 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "AG",
> "AA", "GG", "TT", "CC", "AA", "TC", "AA", "AA", "GA"), X2296 = c("GA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GA", "GG",
> "AG", "GG", "TG", "TC", "AG", "CC", "AA", "AA", "AA"), X2453 = c("AG",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "AG", "GG",
> "GA", "GG", "GT", "CT", "GA", "CT", "AA", "AA", "GA"), X2460 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "AG", "GG",
> "GG", "GG", "TG", "CT", "GG", "CC", "AA", "AA", "AA"), X2474 = c("AA",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GA", "AG",
> "AG", "GG", "TT", "CC", "AG", "TC", "AA", "AA", "GA"), X2603 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "AG",
> "AG", "GG", "TT", "CC", "AG", "CC", "AA", "AA", "GA"), X2282 = c("GA",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GG", "GG",
> "AA", "GG", "TT", "TT", "AA", "CC", "AA", "AA", "GA"), X2313 = c("AG",
> "CT", "TT", "CC", "CT", "CC", "CC", "TT", "CC", "GG", "AG",
> "GA", "GG", "GT", "CC", "GA", "CT", "AA", "AA", "AA"), X2538 = c("AA",
> "CT", "TT", "CC", "CT", "CC", "CC", "TT", "CC", "GG", "AA",
> "AG", "GG", "TG", "CC", "AG", "CC", "AA", "AA", "AA"), X2522 = c("AG",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GA", "GG", "TT", "TC", "GG", "CC", "AA", "AG", "GA"), X2489 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GG", "GG", "GT", "TC", "AG", "CC", "AA", "AA", "AG"), X2564 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GA", "GG",
> "GG", "GG", "TT", "CC", "AA", "CT", "AA", "AA", "AA"), X2594 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "AA",
> "AG", "GG", "TT", "TC", "AG", "TC", "AA", "AA", "AG"), X2274 = c("AA",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GG", "GG", "TT", "CT", "GG", "CC", "AA", "AA", "GA"), X2451 = c("AG",
> "TT", "TT", "CC", "TT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GG", "GG", "TT", "CT", "GG", "CC", "AA", "AA", "GA"), X2321 = c("GG",
> "CT", "TT", "CC", "CT", "CC", "CC", "TT", "CC", "GG", "AG",
> "AA", "GG", "TT", "TT", "AA", "CC", "AA", "AA", "AA"), X2356 = c("AA",
> "TC", "TT", "CC", "TC", "CC", "CC", "TT", "CC", "GA", "AG",
> "AG", "GG", "TG", "TC", "AG", "TT", "AA", "AA", "AA"), X2611 = c("AG",
> "CT", "TT", "CC", "CT", "CC", "CC", "TT", "CC", "GG", "GG",
> "GA", "GG", "TT", "CT", "GA", "TT", "AA", "AA", "AG")), .Names = c("name",
> "chr", "pos", "strand", "X2353", "X2409", "X2500", "X2598", "X2610",
> "X2300", "X2507", "X2530", "X2327", "X2389", "X2408", "X2463",
> "X2420", "X2563", "X2462", "X2292", "X2405", "X2543", "X2557",
> "X2583", "X2322", "X2535", "X2536", "X2581", "X2570", "X2476",
> "X2534", "X2280", "X2316", "X2339", "X2331", "X2343", "X2352",
> "X2293", "X2338", "X2449", "X2296", "X2453", "X2460", "X2474",
> "X2603", "X2282", "X2313", "X2538", "X2522", "X2489", "X2564",
> "X2594", "X2274", "X2451", "X2321", "X2356", "X2611"), row.names =
> 27412:27431, class = "data.frame")
>
> how to count how many "A","C","T","G" in each row
> an example output what I want is like that
> A C AA AC CC
> 3 5 1 1 2
>
> Thanks in advance
>
> Yao He
> --
> —————————————————————————
> Master candidate in 2rd year
> Department of Animal genetics & breeding
> Room 436,College of Animial Science&Technology,
> China Agriculture University,Beijing,100193
> E-mail: yao.h.1988 at gmail.com
> ——————————————————————————
>
> ______________________________________________
> R-help at r-project.org mailing list
> https://stat.ethz.ch/mailman/listinfo/r-help
> PLEASE do read the posting guide http://www.R-project.org/posting-guide.html
> and provide commented, minimal, self-contained, reproducible code.
>
--
—————————————————————————
Master candidate in 2rd year
Department of Animal genetics & breeding
Room 436,College of Animial Science&Technology,
China Agriculture University,Beijing,100193
E-mail: yao.h.1988 at gmail.com
——————————————————————————
More information about the R-help
mailing list