「帮豆豆」再说R语言没有用，打你

豆豆导读

今天处理数据的时候，遇到了一个问题，单细胞的表达矩阵里面有些基因是重复多次的，重复基因都加了后缀xxx_locn，需要去重，把每个基因的表达量求和。
例如“OTTMUSG00000016609”这个基因在原始矩阵中出现了6次，有6行，我们需要只保留一行，对这六行的每一列分别求和：

变成：

（一篇文章里这么做的，这个方法不适用于GEO转录组什么的,但是可以拿来学R啊）

这样的基因有很多个，我还不想改变基因的顺序。被难住了，求助我们家R语言小神仙、万能小伙伴、超级无敌小女朋友花花!(自愿夸奖)

因为她说过，能放进数据框里的需求都难不倒她，这个记录至今没有打破过，她膨胀，这篇帖子就是她帮我解决问题的记录啦（被拉来写导读）。出神入化的R语言技巧学起来!

思路

这个问题本质上就是个R语言数据框问题，那就直接撸袖子上了。写这个代码差不多花了半小时~有点难度~~~

1.行名不能有重复，干脆把基因名作为第一列X。

2.首先需要匹配第一列X里面以_loc加数字结尾的并删掉，只留基因名，stingr配正则值得拥有，这个操作不光stringr可以做，tidyr里的seprate分隔列，然后只留第一列，也能做到。

（吐槽一下， 想找我的R数据科学对应stringr的笔记，结果发现简书把我文章封了，我自己都看不了，气死了。）

3.重复的基因只留第一个，duplicated和unique都可以，然后修改这一行的内容为该基因几个表达量的和。

4.想过summarise配group_by，失败。想过apply，也不好做，最后优秀的只有for循环！

代码实现

1.示例数据

在生信星球后台回复"合并"即可获得示例数据。

options(stringsAsFactors = F)
df = read.csv("help.csv")
dim(df)
#> [1] 19972   501
df[1:4,1:4]
#>          X V3 V4 V5
#> 1  Tspan12  0  0  0
#> 2    Tshz1  3  1  0
#> 3   Fnbp1l  3  1  6
#> 4 Adamts15  0  0  0

df的第一列是基因名，后面500列是表达量。

x = df[,1]
head(x,10)
#>  [1] "Tspan12"       "Tshz1"         "Fnbp1l"        "Adamts15"     
#>  [5] "Cldn12"        "Rxfp1"         "2310042E22Rik" "Sema3c"       
#>  [9] "Jam2"          "Apbb1ip"

2.删除重复基因的后缀

正则表达式匹配后缀，我翻笔记就是为了找这个，d表示匹配任意数字。

if(!require(stringr)) install.packages("stringr")
#> Loading required package: stringr
library(stringr)
#删掉重复基因的后缀
df$X = str_replace(df$X,"_loc\d","")

有重复的基因有多少个呢？这就决定了下面的for循环要跑多少次。

y = unique(df$X[duplicated(df$X)])
length(y)
#> [1] 111

3.生成结果，一个新的数据框

先将df直接去重，得到df2。

df2 <- df[!duplicated(df$X),]
dim(df2)
#> [1] 19806   501

现在要做的是，用df每个基因每列（多行）的表达量和，填充df2对应的基因（一行）的值！

我用的方法是把每个基因单独提取出来作为一个数据框，colSums求列和，然后将列和填充到df2里面去！这是一个天生优秀的数据框取子集和修改搭配for循环的操作，哈哈，测试了一下时间6秒多，阔以。

system.time(for(i in y) {
  a <- df[df$X == i,]
  b <- colSums(a[,-1])
  names(b) <- NULL
  df2[df2$X == i,-1] <- b
})
#>    user  system elapsed 
#>    6.05    0.09    6.17

最后检查一下对不对,随便拿一个重复基因来试试。

sum(df2[df2$X==y[1],501])
#> [1] 11

sum(df[df$X==y[1],501])
#> [1] 11

yeah！请豆豆同学给我买麦旋风和蓝莓派。