时间戳

首页 > 解决方案 > 识别、分组数据框 (R) 中的唯一条目

r - 识别、分组数据框 (R) 中的唯一条目

问题描述

我有一个包含两列的数据框。一个是 ID 列（字符串），第二个由数百个字符长的字符串（DNA 序列）组成。我想识别独特的 DNA 序列并将独特的组组合在一起。

使用：

data$duplicates<-duplicated(data$seq, fromLast = TRUE)

我已成功确定特定行是否重复。这还不够——我想知道我是否有 2、3 等重复项，以及它们对应的 ID（重要的是，ID 始终与其对应的序列保持一致）。

也许是这样的：

for data$duplicates = TRUE...“在 data$grouping 中添加与重复集相对应的数字。”

我不知道如何编写最后一部分的代码。我感谢任何和所有的帮助，谢谢。

编辑：例如：

df <- data.frame(ID = c("seq1","seq2","seq3","seq4","seq5"),seq= c("AAGTCA",AGTCA","AGCCTCA","AGTCA","AGTCAGG"))

我希望输出是一个新列（例如：df$grouping），其中为每个唯一组赋予一个数值，所以在这种情况下：

("1","2","3","2","4")

标签： rdataframeduplicates

解决方案

我希望输出是一个新列（例如：df$grouping），其中为每个唯一组赋予一个数值，所以在这种情况下：

由于df$seq已经是一个因素，我们可以只使用级别数。当因子被强制为整数时给出。

df$grouping = as.integer(df$seq)
df
#     ID     seq grouping
# 1 seq1  AAGTCA        1
# 2 seq2   AGTCA        3
# 3 seq3 AGCCTCA        2
# 4 seq4   AGTCA        3
# 5 seq5 AGTCAGG        4

如果在您的真实数据中，该seq列不属于 类factor，您仍然可以使用df$grouping = as.integer(factor(df$seq)). 默认情况下，组的顺序将按字母顺序排列——您可以通过按您想要的顺序给出levels参数来修改它factor。例如，df$grouping = as.integer(factor(df$seq, levels = unique(df$seq)))将级别（以及分组整数）按照它们第一次出现的顺序排列。

如果您想查看每组中的行数，请使用table，例如

table(df$seq)
#  AAGTCA AGCCTCA   AGTCA AGTCAGG 
#       1       1       2       1 

table(df$grouping)
# 1 2 3 4 
# 1 1 2 1 

sort(table(df$seq), decreasing = T)
#   AGTCA  AAGTCA AGCCTCA AGTCAGG 
#       2       1       1       1

推荐阅读