R语言 split()返回“较长对象长度不是较短对象长度的倍数”

上下文

我最近问过这个问题：
Comparing partitions from split() using a nested for loop containing an if statement
其中我需要使用@robertdj提供的代码修复，根据距离矩阵比较split()生成的分区

set.seed(1234) # set random seed for reproducibility

# generate random normal variates
x <- rnorm(5)
y <- rnorm(5)

df <- data.frame(x, y) # merge vectors into dataframe
d <- dist(x) # generate distance matrix

splt <- split(d, 1:5) # split data with 5 values in each partition

for (i in 1:length(splt)) {
for (j in 1:length(splt)) {
    if (i != j) {
        a <- length(which(splt[[i]] >= min(splt[[j]]))) / length(splt[[i]])
        b <- length(which(splt[[j]] <= max(splt[[i]]))) / length(splt[[j]])
        }
    }
}

我生成了一个MWE，其中每个分割包含相同数量的元素。我这样做只是为了说明的目的，完全知道这不一定适用于真实的数据。
按照罗伯特·哈肯的评论，如果我这样做的话

d <- na.omit(d[lower.tri(d)])

我得到了长度不等的分区。

真实的数据

然而，我的真实的数据没有“相同大小”的属性。我的真实数据包含的分区比我的MWE中只有5个多得多。
这是我的代码

splt <- split(dist_matrix, sub("(?:(.*)\\|){2}(\\w+)\\|(\\w+)\\|.*?$", "\\1-\\2", colnames(dist_matrix)))

距离矩阵dist_matrix包含FASTA标头，我从中提取了物种名称。
然后我在双重嵌套循环中使用上面的splt。
例如，splt[[4]]包含5个值，而splt[[10]]包含9个值。

splt[[4]]
[1] 0.1316667 0.1383333 0.1166667 0.1333333 0.1216667

splt[[10]]
 [1] 0.1450000 0.1483333 0.1316667 0.1316667 0.1333333 0.1333333 0.1166667 0.1166667 0.1200000

预期输出

对于我的真实的问题，每个分区对应于单个物种到所有其他独特物种的距离，因此，如果物种X有两个DNA序列代表它，而总共有10个物种，那么物种X的分区应该包含20个距离，但是我不希望分区包含物种A的两个序列之间的距离。
splt将因此包含用于所有种类的10个分区（每个分区不必具有相同长度
a和b的预期输出是0-1之间的数字，包括0和1。我认为这些数字在我的真实的示例中应该很小，但当我尝试运行代码时，它们却很大，我认为这是warning()的结果。
我所做的
我一直在读SO，%in%通常用于解决警告

In splt[[i]] == splt[[j]] :
  longer object length is not a multiple of shorter object length

除了在我的情况下，我相信我会需要%notin% <- Negate(%in%)。
然而，%notin%在我的原始帖子中给出了错误

the condition has length > 1

问题

如何更改嵌套循环以删除警告？

我将通过“解释”你所说的部分内容，抛弃你的代码，看看我能想出什么来。如果没有别的，它可能会引发对话，解释我的解释中哪些是正确的（哪些是不正确的）。
从随机数据生成的splt开始，然后用更长的向量替换元素4和5，

set.seed(1234)
x <- rnorm(5)
y <- rnorm(5)
df <- data.frame(x, y)
d <- dist(x)
splt <- split(d, 1:5)
splt[[4]] <- rnorm(4)
splt[[5]] <- rnorm(10)

我们有：

splt <- list("1" = c(1.48449499149608, 2.62312694474001), "2" = c(2.29150692606848, 0.15169544670039), "3" = c(1.13863195324393, 3.43013887931241), "4" = c(-0.477192699753547, -0.998386444859704, -0.77625389463799, 0.0644588172762693), "5" = c(-0.693720246937475, -1.44820491038647, 0.574755720900728, -1.02365572296388, -0.0151383003641817, -0.935948601168394, 1.10229754620026, -0.475593078869057, -0.709440037512506, -0.501258060594761))
splt
# $`1`
# [1] 1.484495 2.623127
# $`2`
# [1] 2.2915069 0.1516954
# $`3`
# [1] 1.138632 3.430139
# $`4`
# [1] -0.47719270 -0.99838644 -0.77625389  0.06445882
# $`5`
#  [1] -0.6937202 -1.4482049  0.5747557 -1.0236557 -0.0151383 -0.9359486  1.1022975 -0.4755931 -0.7094400 -0.5012581

你引用了像which(splt[[i]] >= min(splt[[j]]))这样的表达式，我把它解释为“splt[[i]]高于splt[[j]]中最大值的比率是多少。（例如）splt[[1]]与这里的splt[[2]]到splt[[5]]中的所有，并且对于其它的也是如此，我们会得到一个正方形matrix，对角线是splt[[i]]-vs-splt[[i]]（可能没什么意思）。
一些快速的数学运算，让我们知道我们最终应该得到什么：

splt[[1]]
# [1] 1.484495 2.623127
range(splt[[2]])
# [1] 0.1516954 2.2915069

由于[[1]]中的1大于2的最大值2.29，我们期望0.5在两者之间进行比较（对于>= max(.)）;类似地，没有[[1]]低于0.15，因此我们期望在那里有0。
类似地，[[5]]在[[4]]上：

splt[[5]]
#  [1] -0.6937202 -1.4482049  0.5747557 -1.0236557 -0.0151383 -0.9359486  1.1022975 -0.4755931 -0.7094400 -0.5012581
range(splt[[4]])
# [1] -0.99838644  0.06445882

### 2 of 10 are greater than the max
sum(splt[[5]] >= max(splt[[4]])) / length(splt[[5]])
# [1] 0.2

### 9 of 10 are lesser than the min
sum(splt[[5]] <= min(splt[[4]])) / length(splt[[5]])
# [1] 0.2

我们可以使用outer，但有时候会让人感到困惑，特别是在这种情况下，我们需要对传递给它的anon-func执行Vectorize。我将把双for循环前提修改为嵌套的sapply调用。

大于另一个的最大值

sapply(splt, function(y) sapply(setNames(splt, paste0("max", seq_along(splt))), function(z) sum(y >= max(z)) / length(y)))
#        1   2   3    4   5
# max1 0.5 0.0 0.5 0.00 0.0
# max2 0.5 0.5 0.5 0.00 0.0
# max3 0.0 0.0 0.5 0.00 0.0
# max4 1.0 1.0 1.0 0.25 0.2
# max5 1.0 0.5 1.0 0.00 0.1

判读和子集验证：

1与max of 2的关系：将X1 M23 N1 X（第一列）与来自X1 M24 N1 X（第二行）的最大值进行比较，X1 M25 N1 X的值的一半更大，因此我们得到0.5（如所期望的）。
5与max of 4的关系：将X1 M28 N1 X（第五列）与来自X1 M29 N1 X（第四行）的最大值进行比较，X1 M30 N1 X满足条件。

小于另一个的最小值

sapply(splt, function(y) sapply(setNames(splt, paste0("min", seq_along(splt))), function(z) sum(y <= min(z)) / length(y)))
#        1   2   3    4   5
# min1 0.5 0.5 0.5 1.00 1.0
# min2 0.0 0.5 0.0 1.00 0.8
# min3 0.0 0.5 0.5 1.00 1.0
# min4 0.0 0.0 0.0 0.25 0.2
# min5 0.0 0.0 0.0 0.00 0.1

相同的两对：

1与min of 2（第2行，第1列）是0，符合预期
5与min of 4（第4行，第5列）是0.2，符合预期
编辑 *：@compbiostats指出，虽然sum(..)应该会产生与length(which(..))相同的结果，但后者可能对丢失数据更稳健（例如，NA值，c.f.，Difference between sum(), length(which()), and nrow() in R）。对于共享该弹性的sum(..)，在上面的调用中，我们应该将na.rm=TRUE)添加到sum(.)和min(.)中。

R语言 split()返回“较长对象长度不是较短对象长度的倍数”

上下文

真实的数据

预期输出

问题

1条答案

大于另一个的最大值

小于另一个的最小值

相关问题

热门标签

最新问答