R 在数据帧中的重复数据之间进行选择

早些时候，我问了一个关于从数据帧中提取重复行的问题。我现在需要运行一个脚本来决定在最终的数据集中保留哪些副本

此数据集中的重复条目具有相同的“分析”和“样本”值。以下是我正在处理的新数据集的前10行，其中包含我的重复条目：

     Assay   Sample    Genotype   Data
1  CCT6-002   1486         A        1
2  CCT6-002   1486         G        0
3  CCT6-002   1997         G        0
4  CCT6-002   1997         NA       NA
5  CCT6-002   0050         G        0
6  CCT6-002   0050         G        0
7  CCT6-015   0082         G        0
8  CCT6-015   0082         T        1
9  CCT6-015   0121         G        0
10 CCT6-015   0121         NA       NA

我想运行一个脚本，根据“数据”的值（可以是1、0或NA）将这些重复样本分成4个箱子：

 1) All values for 'Data' are NA
 2) All values for 'Data' are identical, no NA
 3) At least 1 value for 'Data' is not identical, no NA.
 4) At least 1 value for 'Data' is not identical, at least one is NA.

上述数据的预期结果如下：

Set 1
Null

Set 2
5  CCT6-002   0050         G        0
6  CCT6-002   0050         G        0

Set 3
1  CCT6-002   1486         A        1
2  CCT6-002   1486         G        0
7  CCT6-015   0082         G        0
8  CCT6-015   0082         T        1

Set 4
3  CCT6-002   1997         G        0
4  CCT6-002   1997         NA       NA
9  CCT6-015   0121         G        0
10 CCT6-015   0121         NA       NA

在某些情况下，此数据集中存在两个以上的“重复”数据点。我甚至不知道从哪里开始，因为我是R的新手

---

编辑：使用预期数据。

这应该是一个良好的开端。根据数据集的长度，为提高速度而对其进行优化可能值得，也可能不值得

require(plyr)

# Read data
data = read.table('data.txt', colClasses=c(NA, NA, 'character', NA, NA))

# Function to pick set
pickSet <- function(x) {
  if(all(is.na(x$Data))) {
    set = 1
  } else if(length(unique(x$Data)) == 1) {
    set = 2
  } else if(!any(is.na(x$Data))) {
    set = 3
  } else {
    set = 4
  }
  data.frame(Set=set)
}

# Identify Set for each combo of Assay and Sample
sets = ddply(data, c('Assay', 'Sample'), pickSet)

# Merge set info back with data
data = join(data, sets)

# Reformat to list
sets.list = lapply(1:4, function(x) data[data$Set==x,-5])

require（plyr）
#读取数据
data=read.table（'data.txt'，colClasses=c（NA，NA，'character'，NA，NA））
#拾取集合的函数
pickSet.list
[[1]]
[1] 分析样本基因型数据
（或长度为0的行名称）
[[2]]
分析样本基因型数据
5 CCT6-002 0050 G 0
6 CCT6-002 0050 G 0
[[3]]
分析样本基因型数据
1 CCT6-002 1486 A 1
2 CCT6-002 1486 G 0
7 CCT6-015 0082 G 0
8 CCT6-015 0082 T 1
[[4]]
分析样本基因型数据
3 CCT6-002 1997 G 0
4 CCT6-002 1997不适用
9 CCT6-015 0121 G 0
10 CCT6-015 0121 NA

你问了一个问题，这个问题的方向是让别人为你完成全部工作。一个关于这个项目中某个特定部分的问题可能更容易引起回应。你正在努力解决的阻碍你开始的问题是一项非常基本的编程技能：能够将你的问题分解成具体的小步骤，逐个解决，然后再将它们组合起来解决你原来的问题

不过，这项技能也很难学。但是你有一个好的开始！您已经很好地指定了数据可以分为四组：

“数据”的所有值均为NA

“数据”的所有值均为 一模一样，没有

“数据”至少有1个值不相同，否 不

“数据”的值至少有1个不相同，至少有一个不相同 不

现在，您需要考虑，如果您只有一个子集的数据，您如何确定它在R中属于哪个组（1-4）？下面是一些可能有用的工具的草图。构建一些子集并在控制台中进行游戏，直到您能够轻松识别每个组：

（1）

datSub$Data

NA

s的所有值都是吗

工具：

all

和

is.na

（2） 只有一个唯一值，而不是

NA

工具：

length

，

unique

，

is.na

，

any

（3） 多个唯一值，无

NA

s

工具：

length

，

unique

，

any

，

is.na

（4） 多个唯一值，至少一个

NA

工具：

length

，

unique

，

any

，

is.na

不使用所有这些函数也可以做到这一点，但它们都可能有用

一旦您知道如何确定特定子集应该属于哪个组，就可以将代码包装到函数中。我的建议是创建一个值为1-4的新列，具体取决于该子集属于哪个组：

myFun <- function(x){
    if (...){
        x$grp <- 1
    }
    if (...){
        x$grp <- 2
    }
    #etc.

    return(x)
}

最后在新的

grp

变量上拆分此数据帧：

split(dat,dat$grp)

希望这张素描能帮助你开始。但是你会有问题的。每个人都有。如果你在这一过程中遇到了具体的问题，请随意问另一个问题

---

事实上，我现在看到约翰已经按照我的草图给出了答案。不过，我还是会发布这个答案，希望它能帮助您分析未来的问题。

根据这些数据，您的预期结果是什么？还有，到目前为止你试过什么？你在哪里陷入困境？@Andrie我从示例中添加了预期的数据。我真不知道从哪里开始。我和R一起工作才几个星期。@joran非常感谢你的帮助。我决不想让别人替我做事，所以如果事情是这样的话，我很抱歉。我正在尽我最大的努力学习R，有时会陷入困境。今后我一定会问更多有针对性的问题。再次感谢。

split(dat,dat$grp)