Блог

Я хотел бы выполнить иерархическую кластеризацию по строкам, а затем по столбцам. Я придумал этот полный взлом решения:

 #! /path/to/my/Rscript --vanilla
args <- commandArgs(TRUE)
mtxf.in <- args[1]
clusterMethod <- args[2]
mtxf.out <- args[3]

mtx <- read.table(mtxf.in, as.is=T, header=T, stringsAsFactors=T)

mtx.hc <- hclust(dist(mtx), method=clusterMethod)
mtx.clustered <- as.data.frame(mtx[mtx.hc$order,])
mtx.c.colnames <- colnames(mtx.clustered)
rownames(mtx.clustered) <- mtx.clustered$topLeftColumnHeaderName
mtx.clustered$topLeftColumnHeaderName <- NULL
mtx.c.t <- as.data.frame(t(mtx.clustered), row.names=names(mtx))
mtx.c.t.hc <- hclust(dist(mtx.c.t), method=clusterMethod)
mtx.c.t.c <- as.data.frame(mtx.c.t[mtx.c.t.hc$order,])
mtx.c.t.c.t <- as.data.frame(t(mtx.c.t.c))
mtx.c.t.c.t.colnames <- as.vector(names(mtx.c.t.c.t))
names(mtx.c.t.c.t) <- mtx.c.colnames[as.numeric(mtx.c.t.c.t.colnames)   1]

write.table(mtx.c.t.c.t, file=mtxf.out, sep='t', quote=F, row.names=T)
  

Переменные mtxf.in и mtxf.out представляют входные матричные и кластеризованные выходные матричные файлы соответственно. Переменная clusterMethod является одним из hclust методов, таких как single , average , и т.д.

В качестве примера ввода приведем матрицу данных:

 topLeftColumnHeaderName col1    col2    col3    col4    col5    col6
row1    0       3       0       0       0       3
row2    6       6       6       6       6       6
row3    0       3       0       0       0       3
row4    6       6       6       6       6       6
row5    0       3       0       0       0       3
row6    0       3       0       0       0       3
  

Запустив этот скрипт, я теряю свой верхний левый угловой элемент mtxf.in . Вот результат, который получается из этого скрипта:

 col5    col4    col1    col3    col2    col6
row6    0       0       0       0       3       3
row5    0       0       0       0       3       3
row1    0       0       0       0       3       3
row3    0       0       0       0       3       3
row2    6       6       6       6       6       6
row4    6       6       6       6       6       6
  

Мои вопросы: Помимо поиска способа сохранить исходную структуру файла входной матрицы, я также не знаю, сколько памяти это потребляет или существуют ли более быстрые и чистые, более «R»-подобные способы для этого.

Действительно ли так сложно кластеризоваться по строкам и столбцам в R? Есть ли конструктивные способы улучшить этот скрипт? Спасибо за ваш совет.

После того, как вы очистили свои данные (т. Е. Удалили первый столбец), для этого действительно требуется всего три строки кода:

Очистить данные (назначить имена строк из первого столбца, затем удалить первый столбец):

 dat <- mtfx.in
rownames(dat) <- dat[, 1]
dat <- dat[, -1]
  

Кластеризация и изменение порядка:

 row.order <- hclust(dist(dat))$order
col.order <- hclust(dist(t(dat)))$order

dat[row.order, col.order]
  

Результаты:

      col5 col4 col1 col3 col2 col6
row6    0    0    0    0    3    3
row5    0    0    0    0    3    3
row1    0    0    0    0    3    3
row3    0    0    0    0    3    3
row2    6    6    6    6    6    6
row4    6    6    6    6    6    6
  

Честно говоря, я не совсем понимаю, почему вы делаете некоторые вещи, которые вы делаете, поэтому вполне возможно, что я неправильно понял, что вы ищете. Если я далеко от базы, дайте мне знать, и я удалю этот ответ.

Но я подозреваю, что ваша жизнь будет намного проще (и ваши результаты действительно верны), если вы прочитаете свои данные в using row.names = 1 , чтобы указать, что первый столбец на самом деле является именами строк. Например:

 #Read the data in
d1 <- read.table(textConnection("topLeftColumnHeaderName col1    col2    col3    col4    col5    col6
 row1    0       3       0       0       0       3
 row2    6       6       6       6       6       6
 row3    0       3       0       0       0       3
 row4    6       6       6       6       6       6
 row5    0       3       0       0       0       3
 row6    0       3       0       0       0       3"),
   sep = "",as.is = TRUE,header = TRUE,
   stringsAsFactors = TRUE,row.names = 1)

#So d1 looks like this: 
d1
     col1 col2 col3 col4 col5 col6
row1    0    3    0    0    0    3
row2    6    6    6    6    6    6
row3    0    3    0    0    0    3
row4    6    6    6    6    6    6
row5    0    3    0    0    0    3
row6    0    3    0    0    0    3

#Simple clustering based on rows 
clus1 <- hclust(dist(d1))
d2 <- d1[clus1$order,]
d2
     col1 col2 col3 col4 col5 col6
row6    0    3    0    0    0    3
row5    0    3    0    0    0    3
row1    0    3    0    0    0    3
row3    0    3    0    0    0    3
row2    6    6    6    6    6    6
row4    6    6    6    6    6    6

#Now cluster on columns and display the result 
clus2 <- hclust(dist(t(d2)))
t(t(d2)[clus2$order,])
     col5 col4 col1 col3 col2 col6
row6    0    0    0    0    3    3
row5    0    0    0    0    3    3
row1    0    0    0    0    3    3
row3    0    0    0    0    3    3
row2    6    6    6    6    6    6
row4    6    6    6    6    6    6
  

Поскольку вы отметили это code-review , я думаю, я также укажу, что стилистически многие люди из R предпочитают не использовать T and F для логических значений, поскольку они могут быть замаскированы, в то время TRUE как and FALSE не может.