在数据框中的重复数据之间进行选择

Question

早些时候，我问了一个关于从数据框中提取重复行的问题。我现在需要运行一个脚本来决定将哪些重复项保留在我的最终数据集中。

该数据集中的重复条目具有相同的“测定”和“样品”值。这是我正在处理的新数据集的前 10 行，其中包含我的重复条目：

     Assay   Sample    Genotype   Data
1  CCT6-002   1486         A        1
2  CCT6-002   1486         G        0
3  CCT6-002   1997         G        0
4  CCT6-002   1997         NA       NA
5  CCT6-002   0050         G        0
6  CCT6-002   0050         G        0
7  CCT6-015   0082         G        0
8  CCT6-015   0082         T        1
9  CCT6-015   0121         G        0
10 CCT6-015   0121         NA       NA

我想运行一个脚本，根据“数据”的值将这些重复样本分成 4 个容器，该值可以是 1、0、或 NA：

 1) All values for 'Data' are NA
 2) All values for 'Data' are identical, no NA
 3) At least 1 value for 'Data' is not identical, no NA.
 4) At least 1 value for 'Data' is not identical, at least one is NA.

上述数据的预期结果如下所示；

Set 1
Null

Set 2
5  CCT6-002   0050         G        0
6  CCT6-002   0050         G        0

Set 3
1  CCT6-002   1486         A        1
2  CCT6-002   1486         G        0
7  CCT6-015   0082         G        0
8  CCT6-015   0082         T        1

Set 4
3  CCT6-002   1997         G        0
4  CCT6-002   1997         NA       NA
9  CCT6-015   0121         G        0
10 CCT6-015   0121         NA       NA

在某些情况下，该数据集中存在超过 2 个“重复”数据点。我什至不确定从哪里开始，因为我是 R 的新手。

编辑：使用预期数据。

Answer 1

你提出的问题转向了要求别人为你完成全部工作的方向。关于该项目的单个特定部分的问题可能更有可能吸引回应。您正在努力解决的阻碍您开始的问题是一项非常基本的编程技能：将问题分解为小的具体步骤，单独解决每个步骤，然后再次将它们组合在一起以解决原始问题的能力< /em>。

不过，这项技能也很难学。但你有一个好的开始！您已经很好地指定了数据可以分为的四组：

1. “数据”的所有值均为 NA

2. “数据”的所有值均为 NA
   相同，无 NA

3. “数据”至少有 1 个值不相同，无
   不适用。

4. “数据”至少有 1 个值不相同，至少有一个值不相同
   不适用。

现在你需要考虑一下，如果你只有一个数据子集，你能弄清楚如何在 R 中确定它属于哪一组 (1-4)？以下是一些可能对执行此操作有用的工具的草图。构建一些子集并在控制台中进行操作，直到您可以轻松地识别每个组：

(1) 所有值都是 datSub$Data NA 吗？

工具：all 和is.na

(2) 只有一个唯一值，不是NA？

工具：length、unique、is.na、any

(3) 多个唯一值，无 <代码>NAs？

工具：length、unique、any、is.na

(4) 至少有多个唯一值一个NA？

工具：length、unique、any、is.na

不使用所有这些工具也可以做到这一点功能，但它们都有潜在的用处。

一旦您知道如何确定特定子集应属于哪个组，您就可以将该代码包装到函数中。我的建议是创建一个值为 1-4 的新列，具体取决于该子集属于哪个组：

myFun <- function(x){
    if (...){
        x$grp <- 1
    }
    if (...){
        x$grp <- 2
    }
    #etc.

    return(x)
}

然后使用 ddply 将此函数根据 < 的值应用于数据的每个子集code>Sample：

ddply(dat,.(Sample),.fun = myFun)

最后将此数据框拆分到新的 grp 变量上：

split(dat,dat$grp)

希望这个通用草图可以帮助您入门。但你将会遇到问题。每个人都这样做。如果您在此过程中遇到具体问题，请随时提出其他问题。

事实上，我现在看到约翰已经按照我的草图发布了答案。不过，我还是会发布这个答案，希望它能帮助您分析未来的问题。

Answer 2

这应该是一个好的开始。根据数据集的长度，优化它以获得更好的速度可能值得也可能不值得。

require(plyr)

# Read data
data = read.table('data.txt', colClasses=c(NA, NA, 'character', NA, NA))

# Function to pick set
pickSet <- function(x) {
  if(all(is.na(x$Data))) {
    set = 1
  } else if(length(unique(x$Data)) == 1) {
    set = 2
  } else if(!any(is.na(x$Data))) {
    set = 3
  } else {
    set = 4
  }
  data.frame(Set=set)
}

# Identify Set for each combo of Assay and Sample
sets = ddply(data, c('Assay', 'Sample'), pickSet)

# Merge set info back with data
data = join(data, sets)

# Reformat to list
sets.list = lapply(1:4, function(x) data[data$Set==x,-5])

> sets.list
[[1]]
[1] Assay    Sample   Genotype Data    
<0 rows> (or 0-length row.names)

[[2]]
     Assay Sample Genotype Data
5 CCT6-002   0050        G    0
6 CCT6-002   0050        G    0

[[3]]
     Assay Sample Genotype Data
1 CCT6-002   1486        A    1
2 CCT6-002   1486        G    0
7 CCT6-015   0082        G    0
8 CCT6-015   0082        T    1

[[4]]
      Assay Sample Genotype Data
3  CCT6-002   1997        G    0
4  CCT6-002   1997     <NA>   NA
9  CCT6-015   0121        G    0
10 CCT6-015   0121     <NA>   NA