Question

我有两个.txt文件。这两个文件都是字符串列表，每行一个字符串，例如。

GRIM1
PHOXA2
SLITRK4

两个文本文件都长约20,000行。我想从文件1中随机抽取500个字符串，从文件2中随机抽取700个字符串。然后我想计算与这两个子集重叠的字符串数量然后我想重复这个过程100次并计算从100次重采样中重叠这些子集的最小，最大和平均字符串数。

我试图调整一些曾经用于类似任务的代码，但是我收到了一个错误：

Error in sample.int(length(x), size, replace, prob) : 
  cannot take a sample larger than the population when 'replace = FALSE'

此代码为：

listA <- read.csv(file="file1.txt", header=F)
listB <- read.csv(file="file2.txt", header=F)

listA <- as.character(listA) # to check that you really have a vector of gene names #maybe you have to do: listA <- as.character(listA)
listB <- as.character(listB) 

res <- rep(NA, 100) 
genesToDraw <- 500 # how many to select 
genesToDraw2 <- 700 # if you want to take different number from second list

for(i in 1:length(res)){

drawA <- sample(x=listA, size=genesToDraw, replace=FALSE)
drawB <- sample(x=listB, size=genesToDraw2, replace=FALSE) # or size=genesToDraw2

res[i] <- length(intersect(drawA, drawB))
}

hist(res, breaks=20)
table(res)
max(res)
sum(res > 5) # how often i

先谢谢你的帮助，如果我要澄清，请告诉我。

当我在代码的as.character部分之后运行dput（listA）和dput（listB）时，我收到一堆逗号分隔的数字作为输出。这是一个子集：

1100, 4576, 7394, 1343, 4997, 13807, 1233, 9580, 15254, 10466, 3333, 622, 11177, 4067, 4800, 7592, 5363, 9646, 11213, 14314, 2475, 8389, \n12559, 12808, 5248, 10423, 7856, 12976, 9695, 1674, 2090, 9369, 12089, 13952, 1218, 7966, 6949, 4088, 623, 4768, 2002, 11776, 14710, 5502, 6212, 7300, 2123, 7194, 2128, 1683, 14987, 4491, 2672, 10275, 9424, 997, 15506, 14307, 2644, 11508, 9272, 5107, 10146, 11693, 1802, 652, 13073, 4268, 5435, 718, 4845

致以最诚挚的问候，

Rubal

Answer 1

正如我们所讨论的，首先是因为你期待字符串，所以在read.csv调用中将stringsAsFactors标志设置为false，这样你就不会搞乱因素

listA <- read.csv(file="file1.txt", header=FALSE, stringsAsFactors=FALSE)
listB <- read.csv(file="file2.txt", header=FALSE, stringsAsFactors=FALSE)

现在，您将拥有两个数据帧，每个数据帧都有一列字符对象。样本函数需要向量，因此我们可以通过

将我们的一列数据帧转换为向量

listA<-listA[,1]
listB<-listB[,1]

这应该让你的代码运行！

重新采样两个列表之间的重叠

1 个答案: