Häufigkeiten von Zeilenuntergruppen innerhalb einer Häufigkeitstabelle

Question

Ich übertreibe meinen Ansatz zur Berechnung der Anzahl von Mutationen in einer bestimmten Teilmenge, und ich frage mich, wie ich eine Häufigkeitstabelle verwenden kann, um den Prozentsatz jedes Beispieluntertyps zu berechnen enthält eine Mutation. Daten sind ähnlich wie folgt:

Rownames gene1 gene2 ...gene40 
Sample1 Mut WT  WT 
Sample2 WT WT  WT 
Sample3 Mut WT  WT 
Sample4 WT MUT  MUT 
...277 

jede Probe in einem anderen Rahmen mit den Proben in der gleichen Reihenfolge geordnet ist $Subtype = "GS" "CIN" "MSI"

Ich mag den Prozentsatz des mutierten Genex für jedes Gen durch Subtype berechnen in der Tabelle.

Vielen Dank im Voraus!

Answer 1

ng <- 40 
ns <- 277 

set.seed(1) 
m <- matrix(sample(c('WT','MUT'), ng * ns, TRUE), ns, 
      dimnames = list(paste0('Sample', seq(ns)), paste0('Gene', seq(ng)))) 

data <- data.frame(m, stringsAsFactors = FALSE) 
subtype <- sample(c("GS","CIN","MSI"), ns, TRUE) 

Wenn Ihre Daten aussehen

str(data) 
'data.frame': 277 obs. of 40 variables: 
    # $ Gene1 : chr "WT" "WT" "MUT" "MUT" ... 
    # $ Gene2 : chr "WT" "WT" "MUT" "WT" ... 
    # $ Gene3 : chr "MUT" "WT" "WT" "WT" ... 
    # $ Gene4 : chr "MUT" "MUT" "MUT" "WT" ... 

dann könnte man so etwas wie

sp <- split(data, subtype) 
(l <- lapply(sp, function(x) colMeans(x == 'MUT'))) 

## 
## 
## $CIN 
##  Gene1  Gene2  Gene3  Gene4  Gene5  Gene6  Gene7  Gene8  Gene9 
## 0.5268817 0.4516129 0.4838710 0.4408602 0.4516129 0.4301075 0.4731183 0.5376344 0.4408602 
## Gene10 Gene11 Gene12 Gene13 Gene14 Gene15 Gene16 Gene17 Gene18 
## 0.4193548 0.4946237 0.5698925 0.4301075 0.4838710 0.5053763 0.3978495 0.5161290 0.5483871 
## Gene19 Gene20 Gene21 Gene22 Gene23 Gene24 Gene25 Gene26 Gene27 
## 0.3978495 0.5698925 0.5698925 0.4516129 0.4946237 0.5268817 0.5591398 0.4731183 0.4838710 
## Gene28 Gene29 Gene30 Gene31 Gene32 Gene33 Gene34 Gene35 Gene36 
## 0.4946237 0.5161290 0.5161290 0.4301075 0.5698925 0.5376344 0.5161290 0.4516129 0.4301075 
## Gene37 Gene38 Gene39 Gene40 
## 0.4731183 0.6021505 0.5483871 0.4731183 
## 
## $GS 
##  Gene1  Gene2  Gene3  Gene4  Gene5  Gene6  Gene7  Gene8  Gene9 
## 0.4742268 0.4536082 0.5567010 0.4845361 0.4742268 0.5051546 0.5463918 0.4020619 0.4845361 
## Gene10 Gene11 Gene12 Gene13 Gene14 Gene15 Gene16 Gene17 Gene18 
## 0.4329897 0.4536082 0.4948454 0.4948454 0.4639175 0.3711340 0.5051546 0.5154639 0.5876289 
## Gene19 Gene20 Gene21 Gene22 Gene23 Gene24 Gene25 Gene26 Gene27 
## 0.5670103 0.5051546 0.5567010 0.5670103 0.5876289 0.5051546 0.4536082 0.5567010 0.5051546 
## Gene28 Gene29 Gene30 Gene31 Gene32 Gene33 Gene34 Gene35 Gene36 
## 0.4639175 0.4329897 0.5154639 0.4639175 0.4639175 0.5773196 0.5257732 0.4948454 0.4329897 
## Gene37 Gene38 Gene39 Gene40 
## 0.5360825 0.5257732 0.4742268 0.5051546 
## 
## $MSI 
##  Gene1  Gene2  Gene3  Gene4  Gene5  Gene6  Gene7  Gene8  Gene9 
## 0.4367816 0.4827586 0.5172414 0.4597701 0.4252874 0.5402299 0.4827586 0.5057471 0.5172414 
## Gene10 Gene11 Gene12 Gene13 Gene14 Gene15 Gene16 Gene17 Gene18 
## 0.5057471 0.5057471 0.5862069 0.5747126 0.5172414 0.4252874 0.5057471 0.5057471 0.5517241 
## Gene19 Gene20 Gene21 Gene22 Gene23 Gene24 Gene25 Gene26 Gene27 
## 0.5057471 0.5057471 0.5747126 0.4597701 0.5517241 0.4597701 0.6321839 0.4252874 0.4712644 
## Gene28 Gene29 Gene30 Gene31 Gene32 Gene33 Gene34 Gene35 Gene36 
## 0.4942529 0.4022989 0.5172414 0.5172414 0.4827586 0.4252874 0.5632184 0.4712644 0.5172414 
## Gene37 Gene38 Gene39 Gene40 
## 0.5172414 0.4712644 0.5977011 0.4482759 

Und

do.call('rbind', l) 

#   Gene1  Gene2  Gene3  Gene4  Gene5  Gene6  Gene7  Gene8 
# CIN 0.5268817 0.4516129 0.4838710 0.4408602 0.4516129 0.4301075 0.4731183 0.5376344 
# GS 0.4742268 0.4536082 0.5567010 0.4845361 0.4742268 0.5051546 0.5463918 0.4020619 
# MSI 0.4367816 0.4827586 0.5172414 0.4597701 0.4252874 0.5402299 0.4827586 0.5057471