在R中折叠重复项，其中仅唯一列值被串联

Question

我需要折叠一个大表（V19，5M），在其中删除基于特定列（V1）的重复项，合并所有其他列的值（如果唯一的话）（如果不是，则只报告一次结果）。 / p>

我从这里尝试了一些解决方案，但是这些示例大部分是在2个变量上执行的-我有19个。最终发生的事情是，表的其余部分都合并在一个数字列表列中。

输入：

V1         V2         V3         V4         V5         V6
TR1000     chr1       1000       1200       A          + 
TR1000     chr1       1000       1200       B          + 
TR1000     chr1       1000       1200       C          +  
TR2000     chr2       2000       2500       D          +   
TR2000     chr2       2000       2500       E          + 
TR3000     chr3       3000       3500       F          +  

我需要：

V1         V2         V3         V4         V5         V6
TR1000     chr1       1000       1200       A, B, C    + 
TR2000     chr2       2000       2500       D, E       +  
TR3000     chr3       3000       3500       F          + 

Answer 1

使用dplyr的解决方案。

library(dplyr)

dat2 <- dat %>%
  group_by_at(vars(-V5)) %>%
  summarize(V5 = toString(V5)) %>%
  ungroup() %>%
  select(names(dat))
dat2
# # A tibble: 3 x 6
#   V1     V2       V3    V4 V5      V6   
#   <chr>  <chr> <int> <int> <chr>   <chr>
# 1 TR1000 chr1   1000  1200 A, B, C +    
# 2 TR2000 chr2   2000  2500 D, E    +    
# 3 TR3000 chr3   3000  3500 F       +    

数据

dat <- read.table(text = "V1         V2         V3         V4         V5         V6
TR1000     chr1       1000       1200       A          + 
TR1000     chr1       1000       1200       B          + 
TR1000     chr1       1000       1200       C          +  
TR2000     chr2       2000       2500       D          +   
TR2000     chr2       2000       2500       E          + 
TR3000     chr3       3000       3500       F          +  ",
                  header = TRUE, stringsAsFactors = FALSE)

Answer 2

一个data.table选项：

library(data.table)
setDT(dat)
byCols <- setdiff(names(dat), "V5")
dat[, .(v5 = toString(V5)),  by = byCols]

       V1   V2   V3   V4 V6      v5
1: TR1000 chr1 1000 1200  + A, B, C
2: TR2000 chr2 2000 2500  +    D, E
3: TR3000 chr3 3000 3500  +       F