R 为输入表的每一行只保留唯一/不同的列

我有一个非常大的数据框（nrow=~273000），我在下面举了一个例子：每一行都是一个蛋白质名称，有不同数量的列，列出了人类细胞中可以找到的亚细胞结构。1） 我想删除每行的重复条目，我正在努力解决这个问题（下面的代码）。2） 然后我想能够计算出每个基因可以在多少列（亚细胞结构）中找到

背景：我从Uniprot获得了这些数据，并使用regex尽可能地对其进行了清理，但仍有一些情况下存在重复条目的行（例如，FMR1列出了染色体2x、细胞质3x和质膜2x-此外，它们之间还有一些空白列）

我尝试过在没有运气的情况下为每行获取唯一的列，例如：

unique(df1) # Original data with repeats removed
dplyr::distinct(df1) # Retain only unique/distinct rows from an input tb

我认为问题在于上面的函数正在寻找相同的行名称，这不是我想要的。我希望每行有不同的列。我曾考虑使用

melt

函数，但由于每行的列数都是奇数，所以这不起作用

我希望输出像这样

newDF

structure(list(FMR1 = structure(c(7L, 1L, 3L, 9L, 2L, 4L, 6L, 
5L, 8L), .Label = c("AIMP1 EMAP2 SCYE1", "CDK1 CDC2 CDC28A CDKN1 P34CDC2", 
"CEMIP KIAA1199", "ECT2", "HDAC6 KIAA0901 JM21", "ITGB1BP1 ICAP1", 
"NGDN C14orf120", "PTPN23 KIAA1471", "RACGAP1 KIAA1478 MGCRACGAP"
), class = "factor"), Nucleus = structure(c(2L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L), .Label = c("Nucleus", "Nucleus  "), class = "factor"), 
    Chromosome = structure(c(1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
    2L), .Label = c("Chromosome", "Cytoplasm"), class = "factor"), 
    Cytoplasmic.vesicle = structure(c(1L, 8L, 2L, 4L, 5L, 4L, 
    7L, 6L, 3L), .Label = c("Cytoplasm  ", "Endoplasmic reticulum", 
    "Endosome", "Midbody", "Mitochondrion", "Perikaryon  ", "Plasma membrane  ", 
    "Secreted  "), class = "factor"), Perikaryon = structure(c(1L, 
    2L, 3L, 3L, 1L, 3L, 1L, 1L, 1L), .Label = c("", "Endoplasmic reticulum  ", 
    "Plasma membrane"), class = "factor"), Plasma.membrane = c(NA, 
    NA, NA, NA, NA, NA, NA, NA, NA)), .Names = c("FMR1", "Nucleus", 
"Chromosome", "Cytoplasmic.vesicle", "Perikaryon", "Plasma.membrane"
), class = "data.frame", row.names = c(NA, -9L))

从这里我想得到一个

rowSums（df1）

，所以我想强制每个术语为一个数字（例如，细胞质小泡=1，细胞核=1，内质网=1，等等），但在这个虚拟数据集上遇到了一个问题

df2 <- as.numeric(newDF)
Error: (list) object cannot be coerced to type 'double'
df2 <- as.numeric(newDF[,2:n])
Error in 2:n : NA/NaN argument

---

这可能是一条路要走。由于您的预期结果是字符向量，因此我无法可视化最终输出。然而，你说你想检查每个蛋白质在数据中出现了多少列。我希望我的结果是你想要的

首先，我将所有列转换为字符。然后，我使用

gather（）

将数据转换为长格式数据。对于每个亚细胞结构组（即亚细胞），我添加了行索引（例如，1表示原始数据中的第一行），并修剪空白。然后，删除蛋白质中含有

NA

的所有行。删除带有

“

和

”

的所有行。现在收拾好了。对于每一行（即，

row.index

），删除重复的蛋白质类型。 将数据解组，最后计算每个蛋白质出现的列数（即细胞结构）。基本上，您要计算到目前为止每个蛋白质在数据集中出现的次数

根据你的样本数据，我得到了以下结果。但我不确定这是否是你想要的。（我现在要睡觉了。所以我有几个小时帮不了你。如果有人能跳进去，请跳进去。）

---

@Hardikgupta的可能重复链接中的建议答案不适用于我的数据。例如：

privefl=as.data.frame（t（apply（t（temp），2，myf）））

对于蛋白质FMR1，它只是部分地改变了值，在核周体和质膜之间仍然有一个空列，没有NA值。它也没有删除任何重复值。@MatthewJ.Oldach我想知道您的预期结果。阅读你的问题，你想知道每个基因出现了多少列。因此，您希望看到一个包含基因名称和总数的数据框。是这样吗？我编辑这篇文章是为了我的预期结果。我不是在寻找每个基因出现了多少列。我感兴趣的是每行有多少个独特的列（即gene）。回答得不错。如果我正确解释了

rowSums（df1）

调用，他想知道每个蛋白质有多少个隔间，而不是隔间的频率。但我可能错了。谢谢@jjl这是正确的，这就是我要找的。非常感谢@jazzurro编辑的“每行有多少个名称”。我以前只在tidyr和dplyr上做过一点工作，但您确实启发了我对dplyr软件包的了解。我刚刚购买了datacamp.com的会员资格，将参加课程：）@MatthewJ.Oldach我很高兴听到这个消息。所以我想我的第二个建议就是你想要的。对吗？如果您的案例已经完成，您是否会在“向上/向下投票”三角形旁边打一个绿色勾号来结束该案例？然后，让用户知道您的案例已结案。学习dplyr是一件有趣的事情。享受！：）我应该指出的一点是，@jazzurro solution计算每一列，包括蛋白质（第一列），所以我只需要从每一列中减去一；没什么大问题。我的工作是

df$n
df2 <- as.numeric(newDF)
Error: (list) object cannot be coerced to type 'double'
df2 <- as.numeric(newDF[,2:n])
Error in 2:n : NA/NaN argument

FMR1 5
NGDN C14orf120 3
AIMP1 EMAP2 SCYE1 4
CEMIP KIAA1199 4
RACGAP1 KIAA1478 MGCRACGAP 4
CDK1 CDC2 CDC28A CDKN1 P34CDC2 3
ECT2 4
ITGB1BP1 ICAP1 3
HDAC6 KIAA0901 JM21 3
PTPN23 KIAA1471 3

mutate_all(mydf, as.character) %>%
gather(key = subcellular, value = protein) %>%
group_by(subcellular) %>%
mutate(row.index = 1:n(), 
       protein = trimws(protein)) %>%
filter(!is.na(protein)) %>%
filter(!protein %in% c("", " ")) %>%
group_by(row.index) %>%
filter(!duplicated(protein)) %>%
ungroup %>%
count(protein, sort = TRUE)


#                  protein     n
#                   <chr> <int>
# 1             Cytoplasm    82
# 2       Plasma membrane    70
# 3               Nucleus    25
# 4              Endosome     9
# 5         Mitochondrion     9
# 6   Cytoplasmic vesicle     8
# 7       Golgi apparatus     7
# 8 Endoplasmic reticulum     5
# 9               Midbody     3
#10            Perikaryon     3
# ... with 87 more rows

mutate_all(mydf, as.character) %>%
gather(key = subcellular, value = protein) %>%
group_by(subcellular) %>%
mutate(row.index = 1:n(), 
       protein = trimws(protein)) %>%
filter(!is.na(protein)) %>%
filter(!protein %in% c("", " ")) %>%
group_by(row.index) %>%
filter(!duplicated(protein)) %>%
ungroup %>%
count(row.index)

#   row.index     n
#       <int> <int>
# 1         1     4
# 2         2     6
# 3         3     5
# 4         4     6
# 5         5     4
# 6         6     5
# 7         7     4
# 8         8     4
# 9         9     5
#10        10     3
# ... with 72 more rows

mutate_all(mydf, as.character) %>%
gather(key = subcellular, value = protein) %>%
group_by(subcellular) %>%
mutate(row.index = 1:n(), 
       protein = trimws(protein)) %>%
filter(!is.na(protein)) %>%
filter(!protein %in% c("", " ")) %>%
group_by(row.index) %>%
filter(!duplicated(protein)) %>%
ungroup %>%
filter(subcellular != "FMR1") %>%
count(row.index)

# A tibble: 9 x 2
#  row.index     n
#      <int> <int>
#1         1     3
#2         2     4
#3         3     4
#4         4     4
#5         5     3
#6         6     4
#7         7     3
#8         8     3
#9         9     3