Question

我有一个类似于以下内容的data.frame：

df <- data.frame(population = c("AA","AA","AA","BB","BB","CC","CC","CC"),
                 individual = c("A1","A2","A3","B1","B2","C1","C2","C3"),
                 Haplotype1 = rep(1:4,2),
                 Haplotype2 = rep(5:8,2))
 > df
  population individual Haplotype1 Haplotype2
1         AA         A1          1          5
2         AA         A2          2          6
3         AA         A3          3          7
4         BB         B1          4          8
5         BB         B2          1          5
6         CC         C1          2          6
7         CC         C2          3          7
8         CC         C3          4          8

我想创建一个新的数据集，其中任何人口都少于一个从数据集中省略指定的个体数量。例如，我想要重新分析只有大于3的人群的数据更多的人。以下是我想要的数据集：

> df <- df[!df$population=="BB",]
> df
  population individual Haplotype1 Haplotype2
1         AA         A1          1          5
2         AA         A2          2          6
3         AA         A3          3          7
6         CC         C1          2          6
7         CC         C2          3          7
8         CC         C3          4          8

然而，我有400个人口，大小从5到155个人不等手动挑选人口名称是不可行的。我想写一个功能，我在本质上说“给我一个包含所有人口的数据集由X个人或更多个人组成，并删除少于或少于 X.“感谢任何帮助或反馈。

Answer 1

这应该可以解决问题：

tab <- table(df$population) > 2
df[df$population %in% names(tab)[tab], ]

#   population individual Haplotype1 Haplotype2
# 1         AA         A1          1          5
# 2         AA         A2          2          6
# 3         AA         A3          3          7
# 6         CC         C1          2          6
# 7         CC         C2          3          7
# 8         CC         C3          4          8

Answer 2

这也可行：

lens <- tapply(df$population , df$population, length)
df[df$population %in% names(lens)[lens > 2], ]

编辑：根据mrdwab的敏锐阅读，我编辑了我的答案。我必须承认我只看了输入和输出：

lens <- tapply(df$individual, df$population, function(x) length(unique(x)))
df[df$population %in% names(lens)[lens > 2], ]

Answer 3

我能想到的最直接的方法是使用“data.table”包中的data.table()：

library(data.table)
DT <- data.table(population = c("AA","AA","AA","BB","BB","CC","CC","CC"),
                 individual = c("A1","A2","A3","B1","B2","C1","C2","C3"),
                 Haplotype1 = rep(1:4,2), Haplotype2 = rep(5:8,2),
                 key = "population")
## Or, convert your existing data.frame "df" to data.table:
## DT <- data.table(df, key = "population")
DT[, .SD[length(unique(individual)) >= 3], by = key(DT)]
#    population individual Haplotype1 Haplotype2
# 1:         AA         A1          1          5
# 2:         AA         A2          2          6
# 3:         AA         A3          3          7
# 4:         CC         C1          2          6
# 5:         CC         C2          3          7
# 6:         CC         C3          4          8

更新

我不确定这对你是否重要，但请注意，对于Tyler和Sven目前的解决方案，虽然根据您发布的问题中的数据输出是正确的，但实际上有一些 潜在的 有缺陷的思维在继续。

我写“潜在”，因为你提到你正在寻找有三个或更多个人（来自df$population）的群组（来自df$individual）。然而，他们的两个解决方案目前只关注人口的长度，而根据你的实际问题，我会假设你想要人口提到的独特个体的数量。

这是一个简单的例子。使用原始“df”，将第3行中的个体更改为“A2”（df[3, 2] <- "A2"）。现在，根据您问题中的条件，只返回population == "CC"行。

如果您的数据已经只有独特的个人，那么没问题 - 但我想我会提到它;）

考虑到这一逻辑的基础R解决方案是：

uniqueIndividuals <- ave(as.character(df$individual), 
                         df$population, FUN = function(x) length(unique(x)))
df[which(as.numeric(uniqueIndividuals) >= 3), ]

删除属于指定长度因子的数据集的行

3 个答案:

更新