如何在另一列中创建数据标记信息列

Question

我有一个基因组位置ID的遗传数据集，其中2个ID可以在一列中具有共享值。我希望创建另一个列来识别具有共享信息的人员。

例如，我的数据如下所示：

CP     Shared_CP
1:10   1:10, 1:11, 1:12
1:20   1:56
1:11   1:11, 1:10, 1:12
1:22   1:21, 1:30
1:30   1:30, 1:21

我希望使用匹配的Shared_CP信息标记行，并唯一标识每个分组，输出：

CP     Shared_CP          matches
1:10   1:10, 1:11, 1:12      1
1:20   1:56                  NA
1:11   1:11, 1:10, 1:12      1
1:22   1:21, 1:30            2
1:30   1:30, 1:21            2

我看到基于其他列的信息创建新列时也有类似的问题，但我还没有找到一种方法来解决我的问题，目前我一直在尝试根据shared_CP列中是否有逗号来标记共享信息的行，但我不知道如何为每个匹配项提供唯一的标识符来存储-任何帮助都将不胜感激。

示例输入数据：

structure(list(CP = c("1:10", "1:20", "1:11", "1:22", "1:30"
), Shared_CP = c("1:10, 1:11, 1:12", "1:56", "1:11, 1:10, 1:12", "1:21, 1:30", 
"1:30, 1:21")), row.names = c(NA, -5L), class = c("data.table", 
"data.frame"))

编辑：为了获得更多详细信息，我的实际数据集可以有多个Shared_CP id，而不仅仅是2个。在一行中，也可能有多个共享_CP输入，其中的CPs不相同/包含在Shared _CPs列中，我修改了示例以反映这一点。

Answer 1

如果我理解正确的话，行动组想要

< li >为< code>Shared_CP创建唯一的组号，而不考虑基因组位置在< code>Shared_CP中出现的顺序。所以，< code>1:10，1:11，1:12，< code>1:11，1:10，1:12和< code>1:12，1:11，1:10都是等价的。 < li >此外，如果< code>Shared_CP中仅包含一个元素，则应为其分配组号< code>NA。 < li >列< code>CP的值不相关。

一种可能的答案是使用＜code＞数据。表是

library(data.table)
library(magrittr)
DT[, tmp :=  strsplit(Shared_CP, ", ") %>% unlist() %>% sort() %>% toString(), 
   by = seq(nrow(DT))][
     order(tmp) & tmp %like% ", ", matches := rleid(tmp)][
       , tmp := NULL][]

     CP        Shared_CP matches
1: 1:10 1:10, 1:11, 1:12       1
2: 1:20             1:56      NA
3: 1:11 1:11, 1:10, 1:12       1
4: 1:22       1:21, 1:30       2
5: 1:30       1:30, 1:21       2

这符合OP的预期结果。特别是，OP已将第4行分配给匹配组2。

对于每一行，Shared_CP被拆分为多个片段，强制到字符基因组位置的向量，这些位置被排序并再次组合到字符密钥中。该密钥存储在临时列tmp中。Shared_CPid number匹配是通过在有序版本的tmp上应用rleid（）函数创建的，从而跳过tmp不包含", "的行，即Shared_CP仅由一个元素组成。最后，tmp被删除。

管道（来自软件包magrittr）和链接（来自data.table）用于提高可读性。