Question

我正在尝试进行一些复杂的索引，同时进行平均，汇集以及获取最小值和最大值。要开始使用，这是一个示例data.frame：

ID      ID2         probe       chrom   strand txStart  txEnd
Rest_3  uc001aah.4  8044649     chr1    0      14361    29370
Rest_4  uc001aah.4  7911309     chr1    0      14361    29370    
Rest_5  uc001aah.4  8171066     chr1    0      14361    29370           
Rest_6  uc001aah.4  8159790     chr1    0      14361    29370   

Rest_17 uc001abw.1  7896761     chr1    0      861120   879961
Rest_18 uc001abx.1  7896761     chr1    0      871151   879961

我使用duplicated查找ID2列中的重复项：uc001aah.4有4个重复项。但是，我需要的和我不知道该怎么做的只有uc001aah.4的一个条目，然后将探测列（+其他一些）条目汇集到一个单元格中（就excel而言）{{1所以最后看起来像这样：

8044649, 7911309, 8171066, 8159790

但是，对于探测列，重复也是如此：

ID                              ID2         probe                                   chrom   strand txStart  txEnd
Rest_3,Rest_4, Rest_5, Rest_6   uc001aah.4  8044649, 7911309, 8171066, 8159790      chr1    0      14361    29370

所以在这里我需要汇集ID和ID2，同时获取列txStart的最小值和最后的列txEnd得到：

ID      ID2         probe       chrom   strand txStart  txEnd
Rest_17 uc001abw.1  7896761     chr1    0      861120   879961
Rest_18 uc001abx.1  7896761     chr1    0      871151   879961

我知道这是在问很多，但如果你只是告诉我如何在第一个问题上做到这一点，我相信我将能够弄清楚如何将其应用于第二个问题。

Answer 1

使用data.table的解决方案：

require(data.table)
dt <- data.table(df)
> dt
#         ID        ID2   probe chrom strand txStart  txEnd
# 1:  Rest_3 uc001aah.4 8044649  chr1      0   14361  29370
# 2:  Rest_4 uc001aah.4 7911309  chr1      0   14361  29370
# 3:  Rest_5 uc001aah.4 8171066  chr1      0   14361  29370
# 4:  Rest_6 uc001aah.4 8159790  chr1      0   14361  29370
# 5: Rest_17 uc001abw.1 7896761  chr1      0  861120 879961
# 6: Rest_18 uc001abx.1 7896761  chr1      0  871151 879961

# step 1: remove duplicate ID2 and concatenate ID and probe.
# Note: here I assume that if ID2 is same, then so will be chrom, 
# strand, txStart and txEnd. If not, you can modify this similar 
# to what is in step 2.
dt.out <- dt[, lapply(.SD, function(x) paste(x, collapse=",")), 
          by=c("ID2", "chrom", "strand", "txStart", "txEnd")]

#           ID2 chrom strand txStart  txEnd                          ID                           probe
# 1: uc001aah.4  chr1      0   14361  29370 Rest_3,Rest_4,Rest_5,Rest_6 8044649,7911309,8171066,8159790
# 2: uc001abw.1  chr1      0  861120 879961                     Rest_17                         7896761
# 3: uc001abx.1  chr1      0  871151 879961                     Rest_18                         7896761

# step 2: remove duplicate probe and concatenate others, get min(txStart) and max(txEnd)
dt.out <- dt.out[ ,list(ID=paste(ID, collapse=","), ID2=paste(ID2, collapse=","), 
                       txStart=min(txStart), txEnd=max(txEnd)), 
                       by=c("probe", "chrom", "strand")]

#                              probe chrom strand                          ID                   ID2 txStart  txEnd
# 1: 8044649,7911309,8171066,8159790  chr1      0 Rest_3,Rest_4,Rest_5,Rest_6            uc001aah.4   14361  29370
# 2:                         7896761  chr1      0             Rest_17,Rest_18 uc001abw.1,uc001abx.1  861120 879961

Answer 2

您可以使用by分两步完成。我在str_c包中使用stringr来连接一个字符串。我认为tab是你的数据。

x1 <- by(tab,tab$ID2,FUN=function(x)       ## I group by ID2
{

  ID <- str_c(x$ID,collapse=',')
  probe <- str_c(x$probe,collapse=',')
  x <- x[1,]
  x$ID <- ID
  x$prob <- probe
  x
})
x1 <- do.call(rbind,x1)                   ## To change from a list to a data.frame

x2 <- by(x1,x1$probe,FUN=function(x)      ## I group by probe
{
  ID2 = str_c(x$ID2,collapse=',')
  txEnd = min(x$txEnd)
  txStart = max(x$txStart)
  x <- x[1,]
  x$ID2 <- ID2
  x$txEnd <- txEnd
  x$txStart <- txStart 
  x
})

x2 <- do.call(rbind,x2)     ## To change from a list to a data.frame

x2
                                 ID                   ID2   probe chrom strand txStart  txEnd                            prob
7896761                     Rest_17 uc001abw.1,uc001abx.1 7896761  chr1      0  871151 879961                         7896761
8044649 Rest_3,Rest_4,Rest_5,Rest_6            uc001aah.4 8044649  chr1      0   14361  29370 8044649,7911309,8171066,8159790

重复条目池，同时平均相邻列中的值

2 个答案: