R 如何组合具有相似值的行？

我希望将具有相近值的行组合起来，并将它们的平均值用作新行。这很难解释，因此我将尝试展示一个示例：

  row  chr    pos methbulk htcmeth   dist
    1 chr1     10        0     100     NA
    2 chr1 100010      100       0 100000 #
    3 chr1 100020      100       0     10 # These 3 rows should be merged 
    4 chr1 100030      100       0     10 # because their "pos" is close
    5 chr1 250030      100       0 150000
    6 chr1 350030      100      23 100000
 ....
   51 chr2 200000        0     100     NA # the methbulk and htcmeth rows should be 
   52 chr2 200010      100       0     10 # averaged when these two rows are merged
   53 chr2 300020      100       0 100010 
   54 chr2 300030      100       0     10
   55 chr2 300040      100       0     10
   56 chr2 300050      100       0     10

这里，pos是行所在的“位置”，而dist是当前行的pos从前一行减去的“距离”，由

ddply（data，.（chr），transform，dist=c（NA，diff（pos））

理想情况下，每两行或更多行之间的距离（dist）接近（如1000），应折叠成一行，并获取和报告methbulk和htcmeth的平均值。完成此操作后，不再需要dist列。相反，新列“end”应该指定所有合并行的最高“pos”值

因此，上述数据应该是这样的：

  row  chr    pos methbulk htcmeth   end
    1 chr1     10        0     100     10
    2 chr1 100010      100       0 100030
    5 chr1 250000      100       0 250000 #the merged rows
    6 chr1 350000      100      23 350000
 ....
   51 chr2 200000       50      50 200010 #the average values have been taken here
   53 chr2 300020      100       0 300050

有什么想法吗？甚至需要使用距离测量吗？我考虑使用基于距离测量的逻辑向量（即，如果距离<1000，则取行，直到距离>1000）

---

编辑：4行或更多行怎么样？答案是否有显著变化？

创建一个新列，确定将数据放入哪个“箱子”

首先，用大于公差的值替换

dist

中的

NA

值，然后使用逻辑向量上的

cumsum

作为仓位号：

tol = 1000
x$dist[is.na(x$dist)] <- tol + 1
x$bin <- cumsum(x$dist > tol)
aggregate(. ~ bin, data=x, FUN=mean)
##   bin  row chr    pos methbulk htcmeth     dist
## 1   1  1.0   1     10        0     100   1001.0
## 2   2  3.0   1 100020      100       0  33340.0
## 3   3  5.0   1 250030      100       0 150000.0
## 4   4  6.0   1 350030      100      23 100000.0
## 5   5 51.5   2 200005       50      50    505.5
## 6   6 54.5   2 300035      100       0  25010.0

tol=1000
x$dist[is.na（x$dist）]可以定义一个聚合向量：

dat$farcat <-  ave( dat$pos, dat$chr, FUN= function(x) cumsum(1, diff(x)>1000) )

如果您还需要聚合组的开始和停止，那么使用聚合也很容易。可能是cbind（）-ed到前面的答案

aggregate(pos ~ chr + farcat, data=dat, FUN=function(x) { c(min=min(x), max=max(x))} )

啊，这是一个有趣的方法。然后，我是否可以获得每个“箱子”位置的最小值和最大值，以获得起点和终点？
aggregate(pos ~ chr + farcat, data=dat, FUN=function(x) { c(min=min(x), max=max(x))} )