在R中生成组（族）

时间：2012-07-17 04:19:48

标签： r dataframe

我有以下类型的数据：

Person <- c("A",  "B", "C",  "D",  "E",  "E",  "F",  "G", "H", "I")
MOM <- c(   NA,   NA,   NA,  "A",  "A",   NA,  "A",  "B", "C", NA)
DAD <- c(   NA,   NA,   NA,  "B",  "B",   NA,  "E",  "A", "B", NA)
Xv <- 1:10
myd <- data.frame (Person, MOM, DAD, Xv, stringsAsFactors=F)
myd 
       Person  MOM  DAD Xv
1       A <NA> <NA>  1
2       B <NA> <NA>  2
3       C <NA> <NA>  3
4       D    A    B  4
5       E    A    B  5
6       E <NA> <NA>  6
7       F    A    E  7
8       G    B    A  8
9       H    C    B  9
10      I <NA> <NA> 10

此数据包括Person及其Mom and Dad列。我想为这些数据创建族群。 NA缺少信息。定义一个具有共同MOM和DAD的族。创始人是NA，家庭= 0的人。

这是我能想到的，这对我来说是不完美的：

fun <- function(i) {
  i1 <- if (is.na(myd[i, 2])) i else match(myd[i, 2], myd[1:i, 2])
  i2 <- if (is.na(myd[i, 3])) i else match(myd[i, 3], myd[1:i, 3])
  min(i1, i2)
}
myd$family <- as.numeric(factor(sapply(1:nrow(myd), fun)))
  Person  MOM  DAD Xv family
1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      2
3       C <NA> <NA>  3      3
4       D    A    B  4      4
5       E    A    B  5      4
6       E <NA> <NA>  6      5
7       F    A    E  7      4
8       G    B    A  8      6
9       H    C    B  9      4
10      I <NA> <NA> 10      7

上述功能在某种意义上是不完美的： 家庭数据不包括其父母的数据，例如家庭4应包括 A和B的数据。因此完整的家庭看起来像：

1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      2
4       D    A    B  4      4
5       E    A    B  5      4

另一件事（至少就我的目的而言），DAD = A和MOM = B与DAD = B相同，而MOM = A.因此，4和6族是同一A和B父母的产物，所以应该 相同。 

4       D    A    B  4      4
5       E    A    B  5      4
8       G    B    A  8      6

因此预期的输出是：

Person  MOM  DAD Xv     family
# founders 
1       A <NA> <NA>  1      0
2       B <NA> <NA>  2      0
3       C <NA> <NA>  3      0
10      I <NA> <NA> 10      0
6       E <NA> <NA>  6      0
# Family 1
1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      1
4       D    A    B  4      1
5       E    A    B  5      1
8       G    B    A  8      1
# Family 2
1       A <NA> <NA>  1      2
6       E <NA> <NA>  6      2
7       F    A    E  7      2
# Family 3
2       B <NA> <NA>  2      3
3       C <NA> <NA>  3      3
9       H    C    B  9      3

编辑：

遗憾（好！）在人类遗传学中我们需要处理类似的变量 - 家庭，三重奏，妈妈（父母1，母亲，女性），父亲（父亲，父母2，男性），个人/主体等。这使得一切相似和问题是相似的。 

  Family vs Trio 
  1 Nuclear family 
  A  x   B
      |
   C   D  E

  Trio -> 3 trios  
  A x B      A x B       A x B
     |         |            |
     C          D           E

提问者的编辑：我同意下面的评论作为家庭作业，请不要在一段时间内回答问题（你认为家庭作业提交时间已经过去的时间已经过去了）。如果我得到答案，我会稍后发布（3个月左右）。

编辑

创始人的定义 - 那些父母双方都不知道他们是否是儿子/女儿的人，所以他们都有MOM和DAD专栏。这些被认为是家庭0，因为他们是其他家庭的一部分，但名单不是真正的家庭。 

 Person  MOM  DAD Xv     family
    1       A <NA> <NA>  1      0
    2       B <NA> <NA>  2      0
    3       C <NA> <NA>  3      0
    10      I <NA> <NA> 10      0
    6       E <NA> <NA>  6      0

**家庭定义 * 一个家庭由父母（妈妈和DAD）以及所有儿子和女儿组成。如果Person DAD和MOM与另一个人DAD和MOM匹配，则应将他们视为一个家庭。例如，以下列表中的D和E人具有MOM = A和DAD = B，这两个人与D和E一起由一个家庭组成。现在我们需要从创始人列表（家庭0）回收父母（A和B）的数据。 

 # Family 1
        Person  MOM  DAD     Xv     family
    1       A <NA> <NA>  1      1
    2       B <NA> <NA>  2      1
    4       D    A    B  4      1
    5       E    A    B  5      1

此外，与人类情况相反，个体可以是MOM或DAD（可以转换性别），因此A（MOM）和B（DAD）产生的后代与B（MOM）和A开发的亲属相同。 （DAD），因此我们需要将以下内容添加到个人家庭1列表中。

       Person  MOM   DAD     Xv     family
   8       G       B    A       8      1

因此，家庭1的完整列表变为：

     Person  MOM   DAD Xv     family
1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      1
4       D    A    B  4      1
5       E    A    B  5      1
8       G    B    A  8      1

家庭1可以图解为草图：

            MOM   x   DAD             MOM   x   DAD
              A  |   B        or       B  |     A 
            -----------------          ------
           |                 |           |
           D                 E           G

以下是部分解决方案： 

myd1 <- data.frame(myd$DAD, myd$MOM) 
myd$family<-as.factor(apply(myd1,1,function(x){paste(x[order(x)],collapse='-')}))
   Person  MOM  DAD Xv family
1       A <NA> <NA>  1  NA-NA
2       B <NA> <NA>  2  NA-NA
3       C <NA> <NA>  3  NA-NA
4       D    A    B  4    A-B
5       E    A    B  5    A-B
6       E <NA> <NA>  6  NA-NA
7       F    A    E  7    A-E
8       G    B    A  8    A-B
9       H    C    B  9    B-C
10      I <NA> <NA> 10  NA-NA

它没有给出家庭编号而不是A和B的家庭.NA-NA是创始人，它在崩溃之前命令，因此A-B变成B-A。

剩下的问题是A-B家族需要来自人A和B的数据被回收（尽管他们在家庭NA-NA组中）。 

  Person  MOM  DAD Xv family
1       A <NA> <NA>  1  NA-NA
2       B <NA> <NA>  2  NA-NA
4       D    A    B  4    A-B
5       E    A    B  5    A-B

2 个答案:

答案 0 :(得分：3)

我不确定你是否已经解决了这个问题，但这是一个解决方案。

首先，您的数据：

# Your data
myd <- data.frame(Person = c("A", "B", "C", "D", "E", 
                             "E", "F", "G", "H", "I"),
                  MOM = c(NA, NA, NA, "A", "A", NA, "A", "B", "C", NA),
                  DAD = c(NA, NA, NA, "B", "B", NA, "E", "A", "B", NA),
                  Xv = 1:10, stringsAsFactors=F)

其次，我们通过将原始数据中的第2列和第3列合并在一起来识别族。我们将split data.frame用于# Identifying the families fam = apply(myd[2:3], 1, function(x) paste0(sort(x), collapse=" ")) 列表。

data.frame

第三，我们将data.frame拆分为一个列表。在这种情况下，我们最终得到了四个# Splitting the data by founders and families temp_1 = split(myd, fam) names(temp_1)[1] = "Founders" 的列表：一个用于创建者，一个用于每个家庭。

# Identify which families the founders belong to
temp_2 = lapply(1:length(temp_1),
                function(x) temp_1[[1]][which(temp_1[[1]]$Person %in% 
                  unique(unlist(temp_1[[x]][,c(2,3)], use.names=FALSE))),])

第四，我们做了一些简单的匹配和子集来确定哪些创始人属于哪个家庭。

rbind

最后，我们将# "Merging" (with rbind) founders and their families OUT = lapply(1:length(temp_1), function(x) rbind(temp_2[[x]], temp_1[[x]])) names(OUT) = names(temp_1) 这些数据放在一起。 

OUT
# $Founders
#    Person  MOM  DAD Xv
# 1       A <NA> <NA>  1
# 2       B <NA> <NA>  2
# 3       C <NA> <NA>  3
# 6       E <NA> <NA>  6
# 10      I <NA> <NA> 10
# 
# $`A B`
#   Person  MOM  DAD Xv
# 1      A <NA> <NA>  1
# 2      B <NA> <NA>  2
# 4      D    A    B  4
# 5      E    A    B  5
# 8      G    B    A  8
# 
# $`A E`
#   Person  MOM  DAD Xv
# 1      A <NA> <NA>  1
# 6      E <NA> <NA>  6
# 7      F    A    E  7
# 
# $`B C`
#   Person  MOM  DAD Xv
# 2      B <NA> <NA>  2
# 3      C <NA> <NA>  3
# 9      H    C    B  9

这是输出：

data.frame

更新：data.frame输出

如果您更喜欢list到OUT = do.call("rbind", lapply(1:length(OUT), function(x) cbind(OUT[[x]], fam = names(OUT[x])))) OUT # Person MOM DAD Xv fam # 1 A <NA> <NA> 1 Founders # 2 B <NA> <NA> 2 Founders # 3 C <NA> <NA> 3 Founders # 6 E <NA> <NA> 6 Founders # 10 I <NA> <NA> 10 Founders # 11 A <NA> <NA> 1 A B # 21 B <NA> <NA> 2 A B # 4 D A B 4 A B # 5 E A B 5 A B # 8 G B A 8 A B # 12 A <NA> <NA> 1 A E # 61 E <NA> <NA> 6 A E # 7 F A E 7 A E # 22 B <NA> <NA> 2 B C # 31 C <NA> <NA> 3 B C # 9 H C B 9 B C ，则可以在完成上述步骤后执行以下：

{{1}}

答案 1 :(得分：2)

如果你想要一个对每个“家庭”来说相同的字符向量，那么使用interaction函数会更紧凑。这些方面的东西：

myd$fam <- with( myd, as.character( interaction(MOM,DAD)))
myd$fam[ is.na(myd$fam) ] <- 0

如果您想要数字（这看似不明智，但这就是您提出请求的方式），请使用as.character

而不是as.numeric。 
myd$fam <- with( myd, as.numeric( interaction(MOM,DAD)))
myd$fam[ is.na(myd$fam) ] <- 0

我从未弄清楚你怎么能有“A”代表MOM和DAD。您可能需要努力解释您如何理解人类遗传学的这一方面。对于按家庭分组split 

> split(myd, myd$fam)
$`0`
   Person  MOM  DAD Xv fam
1       A <NA> <NA>  1   0
2       B <NA> <NA>  2   0
3       C <NA> <NA>  3   0
6       E <NA> <NA>  6   0
10      I <NA> <NA> 10   0

$`2`
  Person MOM DAD Xv fam
8      G   B   A  8   2

$`4`
  Person MOM DAD Xv fam
4      D   A   B  4   4
5      E   A   B  5   4

$`6`
  Person MOM DAD Xv fam
9      H   C   B  9   6

$`7`
  Person MOM DAD Xv fam
7      F   A   E  7   7
相关问题
最新问题