Subconjunto de datos/extracción de datos basados ​​en las primeras 7 letras

Question

Tengo un enorme conjunto de datos con información genotípica de diferentes poblaciones. Me gustaría ordenar los datos por población, pero no sé cómo.

Me gustaría ordenar por "pedigree_dhl". Estaba usando el siguiente código, pero seguí recibiendo mensajes de error.

newdata <- project[pedigree_dhl == CCB133$*1, ] 

Mi problema es también que 'pedigrí-DHL' contiene todos los nombres de los genotipos individuales. Solo las primeras 7 letras en la columna 'pedigree-dhl' son el nombre de la población. En este ejemplo: CCB133. ¿Cómo puedo decirle a R que quiero extraer los datos de todas las columnas que contienen CCB133?

Allele1 Allele2  SNP_name gs_entry pedigree_dhl 
1  T  T ZM011407_0151  656 CCB133$*1 
2  T  T ZM009374_0354  656 CCB133$*1 
3  C  C ZM003499_0591  656 CCB133$*1 
4  A  A ZM003898_0594  656 CCB133$*1 
5  C  C ZM004887_0313  656 CCB133$*1 
6  G  G ZM000583_1096  656 CCB133$*1 

Answer 1

Es posible que desee considerar grep como en la respuesta en Using regexp to select rows in R dataframe. Adaptado a sus datos:

df <- read.table(text=" Allele1 Allele2  SNP_name gs_entry pedigree_dhl 
1  T  T ZM011407_0151  656 CCB133$*1 
2  T  T ZM009374_0354  656 CCB133$*1 
3  C  C ZM003499_0591  656 CCB133$*1 
4  A  A ZM003898_0594  656 CCB133$*1 
5  C  C ZM004887_0313  656 CCB133$*1 
6  G  G ZM000583_1096  656 CCB133$*1", header=T) 

# put into df1 all rows where pedigree_dhl starts with CCB133$ 
p1 <- 'CCB133$' 
df1 <- subset(df, grepl(p1, pedigree_dhl)) 

Pero su pregunta implica que es posible que desee para seleccionar el nombre de siete letras, o simplemente para ordenar las filas por nombre de pedigrí y puede ser más fácil de mantener todas las filas juntos en un clasificado marco de datos. Todas estas tres operaciones: subconjunto, extracción de una nueva columna o clasificación, pueden llevarse a cabo de forma independiente.

# If you want to create a new column based 
# on the first seven letter of SNP_name (or any other variable) 

df$SNP_7 <- substr(df$SNP_name, start=1, stop=7) 

# If you want to order by pedigree_dhl 
# then you don't need to select out the rows into a new dataframe 

df <- df[ with(df, order(df$pedigree_dhl)), ] 

Todo esto puede ser obvio: los agrego simplemente por completitud.