如何按滑动窗口汇总data.table中各状态标志的出现次数

我来帮你搞定这个滑动窗口统计状态码次数的需求，咱们一步步来实现：

第一步：准备示例数据 #

先把你提供的示例代码整理好，确保数据和滑动窗口都能正常生成：

library(data.table)

# 生成状态码列表
status_codes <- c()
for (a in c(1, 2, 3, 6, 9)) {
  for (b in c(1, 2, 3, 6, 9)) {
    status_code <- a * 10 + b
    status_codes <- c(status_codes, status_code)
  }
}

# 创建示例data.table
set.seed(123666)
gt_diff <- data.table(
  chrom = rep(1, 1000),
  pos = seq(1, 1000),
  sample = sample(status_codes[1:9], 1000, replace = TRUE),
  sample1 = sample(status_codes, 1000, replace = TRUE),
  sample2 = sample(status_codes, 1000, replace = TRUE)
)

# 生成滑动窗口
slide_window <- function(start, end, window, step){
  ranges = data.frame(start=integer(), stop=integer())
  i = start
  while(i <= end){
    stop = min(i + window - 1, end)
    ranges[nrow(ranges) + 1, ] = c(i, stop)
    i = i + step
  }
  return(ranges)
}
ranges <- slide_window(min(gt_diff$pos), max(gt_diff$pos), windows = 10, step = 1)

第二步：核心处理流程 #

这里我们用data.table的高效操作来实现，主要分为转长格式、区间匹配、分组统计三个步骤：

1. 将宽格式数据转为长格式

把所有样本列的状态码整合到一列里，方便统一处理：

# 转长格式，保留chrom和pos，把所有以sample开头的列合并
gt_long <- melt(gt_diff, 
                id.vars = c("chrom", "pos"), 
                measure.vars = patterns("^sample"),  # 匹配所有样本列
                variable.name = "sample_col", 
                value.name = "status_code")

2. 匹配每个位置对应的滑动窗口

用data.table的foverlaps函数快速完成位置和窗口的区间匹配：

# 把ranges转为data.table并添加chrom列（和原数据保持一致）
setDT(ranges)[, chrom := 1]
# 设置键用于区间匹配
setkey(ranges, chrom, start, stop)

# 给每个位置创建自身的区间（start和stop都是pos）
gt_long[, `:=`(start = pos, stop = pos)]
setkey(gt_long, chrom, start, stop)

# 匹配每个位置所属的窗口，只保留匹配成功的结果
gt_with_window <- foverlaps(gt_long, ranges, type = "within", nomatch = 0L)
# 整理需要的列：窗口信息和状态码
gt_with_window <- gt_with_window[, .(chrom = i.chrom, window_start = start, window_end = stop, status_code)]

3. 按窗口统计状态码次数并转宽格式

最后分组统计每个窗口内各状态码的出现次数，再转成你需要的宽格式：

# 按窗口分组，统计每个状态码的出现次数
window_summary <- gt_with_window[, .(count = .N), by = .(chrom, window_start, window_end, status_code)]

# 转成宽格式，每个状态码作为一列，缺失的状态码填充0
window_summary_wide <- dcast(window_summary, 
                             chrom + window_start + window_end ~ status_code, 
                             value.var = "count", 
                             fill = 0)

查看结果 #

你可以用head(window_summary_wide)查看前几个窗口的统计结果，格式就是你想要的：每一行对应一个窗口，列是所有状态码，值为该窗口内的出现次数。

小提示 #

• 如果只想统计特定的样本列，比如只统计sample1和sample2，可以在melt时把measure.vars改成c("sample1", "sample2")。
• 如果你的数据包含多个染色体，代码也能正常处理，因为我们全程保留了chrom列的分组。

备注：内容来源于stack exchange，提问作者zhang