R 在一列中查找重复项并在第二列中折叠

Question

我有一个包含两列联系字符串的数据框。在一列(名为 probes)中，我有重复的案例(即，多个案例具有相同的字符串)。对于探测中的每个案例，我想找到包含相同字符串的所有案例，然后将第二列(名为 genes)中所有对应案例的值合并到一个案例中。例如，如果我有这个结构:

    probes  genes
1   cg00050873  TSPY4
2   cg00061679  DAZ1
3   cg00061679  DAZ4
4   cg00061679  DAZ4

我想把它改成这样的结构:

    probes  genes
1   cg00050873  TSPY4
2   cg00061679  DAZ1 DAZ4 DAZ4

显然对于单个probe using which这样做是没有问题的，然后paste and collapse

ind<-which(olap$probes=="cg00061679")
genename<-(olap[ind,2])
genecomb<-paste(genename[1:length(genename)], collapse=" ")

但我不确定如何在整个数据框中提取探针列中重复项的索引。有什么想法吗？

提前致谢

Answer 1

你可以在 base R 中使用 tapply

data.frame(probes=unique(olap$probes), 
           genes=tapply(olap$genes, olap$probes, paste, collapse=" "))

或者使用 plyr:

library(plyr)
ddply(olap, "probes", summarize, genes = paste(genes, collapse=" "))

更新

在第一个版本中这样做可能更安全:

tmp <- tapply(olap$genes, olap$probes, paste, collapse=" ")
data.frame(probes=names(tmp), genes=tmp)

以防万一 unique 以不同的顺序给探测器 tapply。我个人总是会使用 ddply。