Tidyっぽいのに、列に複数のデータが区切り文字でわけられて入っている状態を処理する

メモ程度のものです. 以下を参考にしました。

https://notchained.hatenablog.com/entry/2016/07/01/001836
http://d.hatena.ne.jp/dichika/20141027/p1

問題

blast2goやorthofinderを使っていると、tsv形式なのだが、１つの列に複数のデータが区切られて入っている形式で出力される。

例

gene	mus	homo	fly
atpA	mus1,mus3,mus8	homo2,homo3	fly1,fly2
cox1	mus2	homo1,homo4	fly3,fly4
POL1	mus4,mus5,mus6,mus7	homo5	fly5

demo.txt

gene    mus homo    fly
atpA    mus1,mus3,mus8  homo2,homo3 fly1,fly2
cox1    mus2    homo1,homo4 fly3,fly4
POL1    mus4,mus5,mus6,mus7 homo5   fly5

これを Tidyなデータに変えたい or 再度この形式に戻したい時がある

解決法

non-tidy →　tidy

可変長なので処理はちょっとめんどくさい。
多分もっといい方法がある

nontidy_tidy.R

library(tidyverse) 

OF_raw <-
  'demo.txt'  %>%
  read_tsv() 

x <- seq(from=1, to=10000, by=1) #区切り文字（ここでは","）で分割した文字を格納するための一時的な配列を作る。to=の数字は一列にどれだけのデータが入っているかに応じて調節する。大きいと重くなる

mus_OF_tidy <-
OF_raw　%>%
dplyr::select(gene, mus)　%>%
tidyr::separate(mus, as.character(x), sep=',', remove=TRUE, convert=FALSE, extra='warn', fill='warn')　%>%
gather(key, value, -gene) %>%
select(gene, value) %>%
rename(mus=value)%>%
drop_na()

write_tsv(mus_OF_tidy, "mus_OF_tidy.txt")

関数化しておく

sep_function.R

my_sep <- function(data,Sep) #data にデータ　Sepに区切り文字を入れる。
{
x <- seq(from=1, to=1000, by=1) 

data_tidy <-
  data %>%
  tidyr::separate(GO, as.character(x), sep=Sep, remove=TRUE, convert=FALSE, extra='warn', fill='warn')　%>%
  gather(key, value, -ID) %>%
  select(ID, value) %>%
  rename(GO=value)%>%
  drop_na()

return(data_tidy)
}

tidy →　non-tidy

こっちはもうちょっとスマート

nontidy_tidy.R

library(tidyverse) 

OF_raw <-
  'mus_OF_tidy.txt'  %>%
  read_tsv() 

OF_raw %>%
  group_by(gene)%>%
  dplyr::summarise_all(str_flatten, collapse=",")