如何将数据框中的基因对列转换为按字母排序的新列？

原始数据 #

现有数据框d如下：

> d
      gene_pair
1   ABHD4_ABHD5
2     ABL1_ABL2
3       ABR_BCR
4   ACAP2_ACAP3
5  ACTX_ACTR1B
6 ACVR2A_ACVR2B

其dput输出：

> dput(d)
structure(list(gene_pair = c("ABHD4_ABHD5", "ABL1_ABL2", "ABR_BCR", 
"ACAP2_ACAP3", "ACTX_ACTR1B", "ACVR2A_ACVR2B")), row.names = c(NA, 
6L), class = "data.frame")

需求与问题 #

需要新增一列sorted_gene_pair，让每个基因对按字母顺序排列。尝试以下代码时出现atomic错误：

d %>%
  rowwise() %>% 
  mutate(paste(sort(strsplit(gene_pair, '_')), collapse = '_'))

预期输出的sorted_gene_pair列：

> d
    sorted_gene_pair
1   ABHD4_ABHD5
2     ABL1_ABL2
3       ABR_BCR
4   ACAP2_ACAP3
5  ACTR1B_ACTX
6 ACVR2A_ACVR2B

错误原因 #

strsplit()函数返回的是列表类型，直接对列表使用sort()会触发错误，因为sort()只能处理向量类对象，需要先提取列表中的向量元素。

解决方案 #

方法1：修正rowwise代码 #

在strsplit后用[[1]]提取列表内的向量，再排序拼接：

library(dplyr)

d %>%
  rowwise() %>%
  mutate(sorted_gene_pair = paste(sort(strsplit(gene_pair, "_")[[1]]), collapse = "_")) %>%
  ungroup() # 用完rowwise建议取消分组

方法2：使用tidyr的separate+unite（更直观） #

拆分基因对为两列，排序后再合并：

library(dplyr)
library(tidyr)

d %>%
  separate(gene_pair, into = c("g1", "g2"), sep = "_") %>%
  mutate(
    g1 = pmin(g1, g2),
    g2 = pmax(g1, g2)
  ) %>%
  unite(sorted_gene_pair, g1, g2, sep = "_")

方法3：用purrr处理列表（无需rowwise） #

借助purrr::map_chr批量处理每个基因对：

library(dplyr)
library(purrr)

d %>%
  mutate(sorted_gene_pair = map_chr(gene_pair, ~paste(sort(strsplit(.x, "_")[[1]]), collapse = "_")))

运行结果 #

以上方法均可得到预期的sorted_gene_pair列，以方法1为例，输出如下：

> d
      gene_pair sorted_gene_pair
1   ABHD4_ABHD5     ABHD4_ABHD5
2     ABL1_ABL2       ABL1_ABL2
3       ABR_BCR         ABR_BCR
4   ACAP2_ACAP3     ACAP2_ACAP3
5  ACTX_ACTR1B    ACTR1B_ACTX
6 ACVR2A_ACVR2B   ACVR2A_ACVR2B

内容的提问来源于stack exchange，提问作者Ishan Mehta