如何用R的split()函数按分组因子拆分数据？含FASTA序列场景

基础场景：向量x的分组拆分 #

已知R语言向量x的内容如下：

> x
[1] "A" "A" "A" "B" "B" "C"

要通过split()将其拆分为A、B、C三个组，直接把向量x本身作为分组因子参数f传入就行，代码如下：

split(x, f = x)

运行后输出结果符合预期：

$A
[1] "A" "A" "A"

$B
[1] "B" "B"

$C
[1] "C"

split()会自动识别f里的唯一值作为分组依据，这里x的元素就是现成的分组标识，直接用它当f参数完全满足需求。

实际场景：FASTA序列按物种拆分 #

需求说明 #

处理FASTA序列时，多个序列对应同一物种，需要按物种拆分序列。FASTA头信息示例如下：

">COLFG678-14|MZ630002|Agabus|adpressus|AEC6988|COI-5P"

其中物种为Agabus adpressus，期望输出格式为：

$`Agabus adpressus`
[1] "Seq1" "Seq2" "Seq3"

实现步骤 #

1. 提取物种名：先从FASTA头信息里提取完整物种名（头信息按|分割后，第3和第4字段拼接）。假设所有FASTA头存在向量headers中，代码如下：

# 分割每个头信息为字段
header_fields <- strsplit(headers, "\\|")
# 拼接第3、4字段得到物种名
species_names <- sapply(header_fields, function(x) paste(x[3], x[4], sep = " "))

2. 按物种拆分序列：假设所有序列存在向量seqs中，用split()函数把species_names作为分组因子f传入即可：

split_seqs <- split(seqs, f = species_names)

执行后就能得到以物种名为列表名、对应物种所有序列为元素的分组结果。

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