e030_estadistica_columnas_datos_clinicos.r.Rout

R version 3.1.2 (2014-10-31) -- "Pumpkin Helmet"
Copyright (C) 2014 The R Foundation for Statistical Computing
Platform: x86_64-unknown-linux-gnu (64-bit)

R is free software and comes with ABSOLUTELY NO WARRANTY.
You are welcome to redistribute it under certain conditions.
Type 'license()' or 'licence()' for distribution details.

  Natural language support but running in an English locale

R is a collaborative project with many contributors.
Type 'contributors()' for more information and
'citation()' on how to cite R or R packages in publications.

Type 'demo()' for some demos, 'help()' for on-line help, or
'help.start()' for an HTML browser interface to help.
Type 'q()' to quit R.

> ## e030_estadistica_columnas_datos_clinicos.r
> ## 2015-03-26 julenmendieta92@gmail.com
> ## Script para revisar los datos clinicos generados en "e010_tabla_datos_clinicos.r" y ver que columnas hay y su presencia en cada estudio
> date ()
[1] "Tue May 26 10:53:03 2015"
> Sys.info ()[c("nodename", "user")]
   nodename        user 
   "crom01" "jmendieta" 
> commandArgs ()
[1] "/opt/soft/libs/R/3.1.2_atlas/lib64/R/bin/exec/R"
[2] "-f"                                             
[3] "e030_estadistica_columnas_datos_clinicos.r"     
[4] "--restore"                                      
[5] "--save"                                         
[6] "--no-readline"                                  
> rm (list = ls ())
> R.version.string ##"R version 3.2.0 (2015-04-16)"
[1] "R version 3.1.2 (2014-10-31)"
> 
> try (source (".job.r")); try (.job)

.job.r has been sourced

$name
[1] "tcga_download"

$dir
$dir$data
[1] "~/datos/2015/tcga_download"

$dir$code
[1] "~/trabajos/2015/tcga_download"

$dir$scripts
[1] "~/trabajos/2015/tcga_download/scripts"

$dir$docs
[1] "~/trabajos/2015/tcga_download/documents"

$dir$raw
[1] "~/datos/2015/tcga_download/data_raw"

$dir$annotation
[1] "~/datos/2015/tcga_download/data_annotation"

$dir$proces
[1] "~/datos/2015/tcga_download/data_processed"

$dir$plots
[1] "~/datos/2015/tcga_download/results/plots"

$dir$res
[1] "~/datos/2015/tcga_download/results/files"


$testmode
[1] FALSE

$dec
[1] "."

$idsep
[1] " /// "

> 
> options (width = 170)
> #options (width = 1000)
> 
> setwd (file.path (.job$dir$proces))
> 
> load (file.path (.job$dir$proces, "clinical_info_all.RData"))
> lnombres <- list()
> for (id in names (datosClinicos)) {
+   datos0 <- datosClinicos[[id]]
+  
+   #Quitamos los datos en los que todo sea NA
+   todo.na <- apply (is.na (datos0), 2, all)
+   table (todo.na)
+   datos0 <- datos0[,!todo.na]  
+   #Guardamos en lon cuantos datos diferentes hay en cada cabecera   
+   lon <- apply (datos0, 2, function (x) length (setdiff (unique (x), NA)))  
+   table (lon)
+   nombres <- colnames(datos0)   #Con esto miramos todas las cabeceras que han permanecido hasta ahora
+   lnombres[[id]] <- nombres     #Guardamos las cabeceras que hay asociadas al nombre del fichero en lnombres
+ }
> 
> 
> nu <- sort (unique (unlist (lnombres)))   #Guardamos en una lista todas las cabeceras de columnas que hay sin repetirlas
> mat <- matrix (NA, nrow = length (nu), ncol = length (datosClinicos))  #Creamos una matriz vacia con numero de filas igual a cabeceras posibles y en las columnas el nombre del fichero
> rownames (mat) <- nu  #Llamamos a las filas de mat como las cabeceras
> colnames (mat) <- names(datosClinicos)  #A las columnas como los ficheros
> 
> #Con el bucle guardamos un T o F dependiendo de si en el fichero hay una cabecera que se llame como fila[cabecera] de la matriz
> for (id in names (datosClinicos)) {
+   mat[,id] <- rownames (mat) %in% lnombres[[id]]
+ }
> mat[1:3,]
                                   LAML   ACC  BLCA  BRCA  CESC  CHOL  COAD  DLBC  ESCA   GBM  HNSC  KICH  KIRC  KIRP   LGG  LIHC  LUAD  LUSC  MESO    OV  PAAD  PCPG
ablation_embolization_tx_adjuvant FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
abnormal_lymphocyte_percent        TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
age_at_diagnosis                   TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
                                   PRAD  READ  SARC  SKCM  STAD  TGCT  THCA  THYM  UCEC   UCS   UVM
ablation_embolization_tx_adjuvant FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
abnormal_lymphocyte_percent       FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
age_at_diagnosis                  FALSE FALSE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE FALSE
> dim (mat)
[1] 653  33
> table (rowSums (mat))  #Esto nos muestra cuantas cabeceras hay solo en x ficheros (cuantas en 1, cuantas en 2, cuantas en 4 etc.)

  1   2   3   4   5   6   7   8  10  11  12  13  14  15  16  17  19  21  22  26  28  31  32  33 
459  88  29  11   5   5   2   2   5   3   1   1   3   1   2   1   1   5   2   1   4   1  10  11 
> ###De aqui guardamos la matriz mat, ya que de ella se extrae cuantas columnas hay en cada fichero
> save (list = "mat", file = file.path (.job$dir$proces, "estadistica_columnas_datos_clinicos.RData"))
> 
> # colnames (mat) <- NULL
> # touse <- rowSums (mat) == length(datosClinicos) #Guardamos solo las cabeceras que esten en todos los ficheros
> # touse
> # mat[touse,]
> # rownames (mat)[touse]  #Muestra los nombres de las cabeceras q estan en todos los ficheros
> 
> ###EXIT
> warnings ()
NULL
> sessionInfo ()
R version 3.1.2 (2014-10-31)
Platform: x86_64-unknown-linux-gnu (64-bit)

locale:
 [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C               LC_TIME=en_US.UTF-8        LC_COLLATE=en_US.UTF-8     LC_MONETARY=en_US.UTF-8    LC_MESSAGES=en_US.UTF-8   
 [7] LC_PAPER=en_US.UTF-8       LC_NAME=C                  LC_ADDRESS=C               LC_TELEPHONE=C             LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C       

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     
> q ("no")
> proc.time()
   user  system elapsed 
  1.208   0.052   1.609