哈佛R语言课程–6.匹配和重排序

学习目标

• 在数据结构中实现数据匹配和重排序。

1.匹配数据

在处理基因组数据时，通常有一个与metadata相对应的数据文件，包含来自每个单独样品的生物测定的测量值。在这个例子中，生物测定是指RNA-Seq产生的基因表达量数据。

读取之前下载的表达量数据（RPKM矩阵）：

rpkm_data <- read.csv("data/counts.rpkm.csv")

看看数据矩阵的前几行。

head(rpkm_data)

看起来rpkm_data中的样本名称（标题）与metadata的行名相似，但顺序不同。可以快速检查rpkm_data中的列和metadata中的行数是否相等。

ncol(rpkm_data)
nrow(metadata)

想知道的是，是否有每个样本的数据？

2. `%in%`运算符

一旦掌握了这个运算符，就会发现它非常有用。其语法是：

vector1_of_values %in% vector2_of_values

将左边作为输入，并将判断其中的每个元素，是否在运算符右侧的向量中存在匹配。 两个向量不必长度相同。此操作将返回与vector1相同长度的逻辑值向量，指示是否存在匹配。看下面的例子：

A <- c(1,3,5,7,9,11)   # odd numbers
B <- c(2,4,6,8,10,12)  # even numbers

# test to see if each of the elements of A is in B    
A %in% B

## [1] FALSE FALSE FALSE FALSE FALSE FALSE

由于向量A仅包含奇数，而向量B仅包含偶数，因此没有重叠，因此返回的向量每个元素都是FALSE。改变向量B中的几个数字来匹配向量A：

A <- c(1,3,5,7,9,11)   # odd numbers
B <- c(2,4,6,8,1,5)  # add some odd numbers in 

# test to see if each of the elements of A is in B
A %in% B

## [1]  TRUE FALSE  TRUE FALSE FALSE FALSE

返回的“TRUE”的元素表示A对应位置的元素存在于B中。

之前提到过，可以通过仅返回TRUE对应的值来使用逻辑表达式的输出来取子集。因此，这里也可以使用输出的逻辑向量来取子集，仅返回在A中有、在B中也有的向量（TRUE对应的值）：

intersection <- A %in% B
intersection

A[intersection]

例子中的向量很小，肉眼可以计算; 但大的数据集无法仅靠肉眼判断。要快速检查是否有任何匹配值，可以用any函数来查看向量A中是否存在向量B中的任何一个值：

any(A %in% B)

all函数也很有用。给定一个逻辑向量，它会告诉你是否所有元素均为TRUE。如果该向量中存在FALSE，则all函数将返回 FALSE，在这个例子中，返回FALSE意为所有A中的值都未包含在B中。

all(A %in% B)

练习1

1. 使用上面创建的A和B向量，判断B中的每个元素是否在A中存在匹配。

2. 对向量 B取子集，仅返回也在A中存在的值。

假设有两个值相同但顺序不同的向量，可以用all来测试。现在使用==将每个元素与另一个向量中的相同位置进行比较，而不是使用运算符%in%。与%in%操作符不同，为了正常运行，两个向量长度必须相等。

A <- c(10,20,30,40,50)
B <- c(50,40,30,20,10)  # same numbers but backwards 

# test to see if each element of A is in B
A %in% B

# test to see if each element of A is in the same position in B
A == B

# use all() to check if they are a perfect match
all(A == B)

对数据进行尝试，看看rpkm_data中是否包含所有样本的metadata信息。创建两个向量:metadata的rownames和RPKM数据的colnames：

x <- rownames(metadata)
y <- colnames(rpkm_data)

现在，查看x中的元素是否全都在y：

all(x %in% y)

注意，可以使用嵌套函数代替x和y：

all(rownames(metadata) %in% colnames(rpkm_data))

可见所有样品都存在，但它们的顺序是不同的：

all(rownames(metadata) == colnames(rpkm_data))

所有样本的数据都有，但需要重新排序。为了对基因组样本进行重排序，需要先学习不同的方法来重新排序数据。因此，我们将暂时不看基因组数据，先学习重排序，在本课结束时再查看。

练习2

有一个感兴趣的基因ID列表。想要提取与这些基因中相关的counts信息，而不必滚动counts矩阵，可以使用%in%运算符来提取这些基因的信息rpkm_data。

1. 为重要的基因ID赋值，并使用%in%运算符确定这些基因是否包含在rpkm_data数据集的行名中。

    important_genes <- c("ENSMUSG00000083700", "ENSMUSG00000080990", "ENSMUSG00000065619", "ENSMUSG00000047945", "ENSMUSG00000081010",     "ENSMUSG00000030970")
   

2. 使用%in%运算符从数据集rpkm_data中提取包含重要基因的行。

3. 附加题：使用important_genes向量，从rpkm_data数据集中提取包含重要基因的行，不使用%in%运算符。

3.使用索引重新排序数据

[ ]如前所述，索引可用于从数据集中提取值，但我们也可以使用它来重新排列数据值。

teaching_team <- c("Mary", "Meeta", "Radhika")

请记住，可以通过指定位置或索引来返回向量中的值：

teaching_team[c(2, 3)] # Extracting values from a vector
teaching_team

我们还可以提取值并重新排序：

teaching_team[c(3, 2)] # Extracting values and reordering them

同样，可以提取所有值并重新排序：

teaching_team[c(3, 1, 2)]

如果想保存结果，则需要赋值给一个变量：

reorder_teach <- teaching_team[c(3, 1, 2)] # Saving the results to a variable

4.`match`函数

现在已经知道如何使用索引重新排序，还可以使用match()函数来匹配两个向量中的值。将使用它来评估我们的rpkm_data和metadata数据框中存在哪些样本，然后重新排序rpkm_data中的列以匹配metadata矩阵中的行名。

match() 至少需要2个参数：

1. 按所需顺序的值向量

2. 要重新排序的值向量

该函数返回匹配（索引）相对于第二个向量的位置，可用于对其进行重新排序，使其与第一个向量中的顺序匹配。创建向量first和second，演示它是如何工作的：

first <- c("A","B","C","D","E")
second <- c("B","D","E","A","C")  # same letters but different order

如何使用索引对second向量冲排序以匹配first？

大数据集很难通过搜索匹配元素的索引对它们进行重新排序。这是match函数非常方便的地方：

match(first,second)
[1] 4 1 5 2 3

该函数应返回length(first)大小的向量。返回的每个数字表示向量second的中对应数值的索引。

使用索引重新排序second向量的元素，使其与向量first中的对应元素位置相同：

reorder_idx <- match(first,second) # Saving indices for how to reorder `second` to match `first`

second[reorder_idx]  # Reordering the second vector to match the order of the first vector
second_reordered <- second[reorder_idx]  # Reordering and saving the output to a variable

现在已经知道match()是如何工作的，改变向量second，只保留一个子集：

first <- c("A","B","C","D","E")
second <- c("D","B","A")  # remove values

再次尝试match()：

match(first,second)

[1]  3  2 NA  1 NA

注意：默认情况下，不匹配的值返回一个NA值。您可以使用nomatch参数指定要为其分配的值。此外，如果找到多个匹配值，则仅报告第一个匹配值。

使用`match()`函数重新排序基因组数据

使用match函数，匹配metadata的行名称与rpkm_data*的列名，将它们填入match的两个参数：

rownames(metadata)

colnames(rpkm_data)

genomic_idx <- match(rownames(metadata), colnames(rpkm_data))
genomic_idx

创建一个新的prkm矩阵，其中根据match索引对列重新排序：

rpkm_ordered  <- rpkm_data[,genomic_idx]

用head查看变化。还可以使用all函数验证新的rpkm矩阵的列名是否与metadata行名匹配：

head(rpkm_ordered)
all(rownames(metadata) == colnames(rpkm_ordered))

成功，如果这些是raw counts，可以继续使用此数据集进行差异表达式分析。