如何基于已知字符向量统计数据框中序列的字符数量

嘿，我来帮你搞定这个字符统计的问题！先看你提供的这个包含蛋白质序列的数据框，咱们用tidyverse工具包就能轻松实现需求。

首先先还原你的数据框：

library(tidyverse)
dat <- structure(list( 
  fasta_header = "sp|A0A0A0MT76|LJ01_HUMAN", 
  sequence = "PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL", 
  type = "human", 
  seq_len = 42L
), .Names = c( "fasta_header","sequence", "type", "seq_len"), row.names = c(NA, -1L), class = c("tbl_df","tbl", "data.frame"))

接下来分两种常见场景来处理，你可以根据自己的实际需求选择：

场景1：统计目标字符的总出现次数 #

假设你有一个已知的目标字符向量（比如c("P", "R", "L")），想要统计这些字符在序列里的总出现次数，可以用str_count()配合str_c()来实现：

# 定义你的目标字符向量，可按需修改
target_chars <- c("P", "R", "L")

# 统计总次数并新增到数据框中
dat <- dat %>%
  mutate(total_target_chars = str_count(sequence, str_c(target_chars, collapse = "|")))

# 查看结果
dat

运行后数据框会新增一列total_target_chars，直接显示所有目标字符的总出现次数。

场景2：分别统计每个目标字符的出现次数 #

如果需要单独统计每个字符的出现次数，我们可以用map_dfc()遍历目标字符向量，为每个字符生成对应的统计列：

# 定义你的目标字符向量，可按需修改
target_chars <- c("P", "R", "L")

# 为每个字符添加单独的统计列
dat <- dat %>%
  bind_cols(
    map_dfc(target_chars, ~ tibble(!!.x := str_count(sequence, .x)))
  )

# 查看结果
dat

这样操作后，数据框会新增P、R、L三列，分别对应每个字符在序列中的出现次数。

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