r - 在 R 中生成组(家庭)

Question

我有以下类型的数据:

Person <- c("A",  "B", "C",  "D",  "E",  "E",  "F",  "G", "H", "I")
MOM <- c(   NA,   NA,   NA,  "A",  "A",   NA,  "A",  "B", "C", NA)
DAD <- c(   NA,   NA,   NA,  "B",  "B",   NA,  "E",  "A", "B", NA)
Xv <- 1:10
myd <- data.frame (Person, MOM, DAD, Xv, stringsAsFactors=F)
myd 
       Person  MOM  DAD Xv
1       A <NA> <NA>  1
2       B <NA> <NA>  2
3       C <NA> <NA>  3
4       D    A    B  4
5       E    A    B  5
6       E <NA> <NA>  6
7       F    A    E  7
8       G    B    A  8
9       H    C    B  9
10      I <NA> <NA> 10

此数据包括 Person 及其 Mom 和 Dad 列。我想为此数据创建家庭组。 NA 是信息缺失。定义了一个具有共同的 MOM 和 DAD 的家庭。创始人是那些同时拥有 NA、family = 0 的人。

这是我能想到的，但对我来说并不完美:

fun <- function(i) {
  i1 <- if (is.na(myd[i, 2])) i else match(myd[i, 2], myd[1:i, 2])
  i2 <- if (is.na(myd[i, 3])) i else match(myd[i, 3], myd[1:i, 3])
  min(i1, i2)
}
myd$family <- as.numeric(factor(sapply(1:nrow(myd), fun)))
  Person  MOM  DAD Xv family
1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      2
3       C <NA> <NA>  3      3
4       D    A    B  4      4
5       E    A    B  5      4
6       E <NA> <NA>  6      5
7       F    A    E  7      4
8       G    B    A  8      6
9       H    C    B  9      4
10      I <NA> <NA> 10      7

上述功能在某种意义上是不完善的:家庭数据不包括 parent 的数据，例如家庭4应该包括A 和 B 的数据。因此完整的家庭看起来像:

1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      2
4       D    A    B  4      4
5       E    A    B  5      4

另一件事(至少对我来说是这样)，DAD = A 和 MOM = B 与 DAD = B 和 MOM = A 相同。因此，家庭 4 和 6 是同一个 parent A 和 B 的产物，所以应该相同的。

4       D    A    B  4      4
5       E    A    B  5      4
8       G    B    A  8      6

因此预期的输出是:

Person  MOM  DAD Xv     family
# founders 
1       A <NA> <NA>  1      0
2       B <NA> <NA>  2      0
3       C <NA> <NA>  3      0
10      I <NA> <NA> 10      0
6       E <NA> <NA>  6      0
# Family 1
1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      1
4       D    A    B  4      1
5       E    A    B  5      1
8       G    B    A  8      1
# Family 2
1       A <NA> <NA>  1      2
6       E <NA> <NA>  6      2
7       F    A    E  7      2
# Family 3
2       B <NA> <NA>  2      3
3       C <NA> <NA>  3      3
9       H    C    B  9      3

编辑:

遗憾的是(好!)在人类遗传学中，我们需要研究类似的变量——家庭、三重奏、妈妈( parent 1、母亲、女性)、父亲(爸爸、 parent 2、男性)、个体/受试者等。这使得一切相似，问题相似。

  Family vs Trio 
  1 Nuclear family 
  A  x   B
      |
   C   D  E

  Trio -> 3 trios  
  A x B      A x B       A x B
     |         |            |
     C          D           E  

发问者的编辑:我同意以下评论作为作业，请暂时不要回答问题(您认为足够好的时间，作业提交时间已经过去)。如果我得到答复，我会稍后发布(3 个月左右)。

编辑

创始人定义 - 那些 parent 双方都不知道他们是否是儿子/女儿的人，所以他们在 MOM 和 DAD 列中都有。这些被认为是家庭 0，因为它们是其他家庭的一部分，但列表不是真正的家庭。

 Person  MOM  DAD Xv     family
    1       A <NA> <NA>  1      0
    2       B <NA> <NA>  2      0
    3       C <NA> <NA>  3      0
    10      I <NA> <NA> 10      0
    6       E <NA> <NA>  6      0

** 家庭定义* 一个家庭由 parent (妈妈和爸爸)和所有儿子和女儿组成。如果 Person DAD 和 MOM 与 Another Person DAD 和 MOM 匹配，则应将他们视为一个家庭。例如下面列表中的D和E人，MOM=A，DAD=B，这两个人连同D、E组成一个家庭。现在我们需要从创始人列表(家庭 0)中为他们的 parent (A 和 B)回收数据。

 # Family 1
        Person  MOM  DAD     Xv     family
    1       A <NA> <NA>  1      1
    2       B <NA> <NA>  2      1
    4       D    A    B  4      1
    5       E    A    B  5      1

同样与人类情况相反，这里的个体可以是 MOM 或 DAD(可以转换性别)，因此 A(MOM)和 B(DAD)产生的后代与 B(MOM)和 A 产生的后代相同(DAD)，因此我们需要将以下内容添加到 individual to family 1 列表中。

       Person  MOM   DAD     Xv     family
   8       G       B    A       8      1

因此家庭 1 的完整列表变为:

     Person  MOM   DAD Xv     family
1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      1
4       D    A    B  4      1
5       E    A    B  5      1
8       G    B    A  8      1

家庭 1 可以图示为:

            MOM   x   DAD             MOM   x   DAD
              A  |   B        or       B  |     A 
            -----------------          ------
           |                 |           |
           D                 E           G

这是部分解决方案:

myd1 <- data.frame(myd$DAD, myd$MOM) 
myd$family<-as.factor(apply(myd1,1,function(x){paste(x[order(x)],collapse='-')}))
   Person  MOM  DAD Xv family
1       A <NA> <NA>  1  NA-NA
2       B <NA> <NA>  2  NA-NA
3       C <NA> <NA>  3  NA-NA
4       D    A    B  4    A-B
5       E    A    B  5    A-B
6       E <NA> <NA>  6  NA-NA
7       F    A    E  7    A-E
8       G    B    A  8    A-B
9       H    C    B  9    B-C
10      I <NA> <NA> 10  NA-NA

它不提供家族编号，而是 A 和 B 的家族。NA-NA 是创始人，它在崩溃前下令，因此 A-B 变成 B-A。

剩下的问题是 A-B 家庭需要回收人员 A 和 B 的数据(尽管他们在家庭 NA-NA 组中)。

  Person  MOM  DAD Xv family
1       A <NA> <NA>  1  NA-NA
2       B <NA> <NA>  2  NA-NA
4       D    A    B  4    A-B
5       E    A    B  5    A-B

Answer 1

我不确定您是否已经解决了这个问题，但这是一个解决方案。

首先，您的数据:

# Your data
myd <- data.frame(Person = c("A", "B", "C", "D", "E", 
                             "E", "F", "G", "H", "I"),
                  MOM = c(NA, NA, NA, "A", "A", NA, "A", "B", "C", NA),
                  DAD = c(NA, NA, NA, "B", "B", NA, "E", "A", "B", NA),
                  Xv = 1:10, stringsAsFactors=F)

其次，我们通过将原始数据中的第 2 列和第 3 列合并在一起来识别家族。我们将使用它来拆分您的 data.frame 到一个列表中。

# Identifying the families
fam = apply(myd[2:3], 1, function(x) paste0(sort(x), collapse=" "))

第三，我们将data.frame拆分成一个列表。在这种情况下，我们最终得到一个包含四个 data.frame 的列表:一个用于创始人，一个用于每个家族。

# Splitting the data by founders and families
temp_1 = split(myd, fam)
names(temp_1)[1] = "Founders"

第四，我们进行一些简单的匹配和子集化，以确定哪些创始人属于哪些家族。

# Identify which families the founders belong to
temp_2 = lapply(1:length(temp_1),
                function(x) temp_1[[1]][which(temp_1[[1]]$Person %in% 
                  unique(unlist(temp_1[[x]][,c(2,3)], use.names=FALSE))),])

最后，我们将这些数据rbind 在一起。

# "Merging" (with rbind) founders and their families
OUT = lapply(1:length(temp_1), function(x) rbind(temp_2[[x]], temp_1[[x]]))
names(OUT) = names(temp_1)

这是输出:

OUT
# $Founders
#    Person  MOM  DAD Xv
# 1       A <NA> <NA>  1
# 2       B <NA> <NA>  2
# 3       C <NA> <NA>  3
# 6       E <NA> <NA>  6
# 10      I <NA> <NA> 10
# 
# $`A B`
#   Person  MOM  DAD Xv
# 1      A <NA> <NA>  1
# 2      B <NA> <NA>  2
# 4      D    A    B  4
# 5      E    A    B  5
# 8      G    B    A  8
# 
# $`A E`
#   Person  MOM  DAD Xv
# 1      A <NA> <NA>  1
# 6      E <NA> <NA>  6
# 7      F    A    E  7
# 
# $`B C`
#   Person  MOM  DAD Xv
# 2      B <NA> <NA>  2
# 3      C <NA> <NA>  3
# 9      H    C    B  9

更新:data.frame 输出

如果您更喜欢 data.frame 而不是 list，您可以在完成前面的步骤后执行以下操作:

OUT = do.call("rbind", 
              lapply(1:length(OUT), 
                     function(x) cbind(OUT[[x]], fam = names(OUT[x]))))
OUT
#    Person  MOM  DAD Xv      fam
# 1       A <NA> <NA>  1 Founders
# 2       B <NA> <NA>  2 Founders
# 3       C <NA> <NA>  3 Founders
# 6       E <NA> <NA>  6 Founders
# 10      I <NA> <NA> 10 Founders
# 11      A <NA> <NA>  1      A B
# 21      B <NA> <NA>  2      A B
# 4       D    A    B  4      A B
# 5       E    A    B  5      A B
# 8       G    B    A  8      A B
# 12      A <NA> <NA>  1      A E
# 61      E <NA> <NA>  6      A E
# 7       F    A    E  7      A E
# 22      B <NA> <NA>  2      B C
# 31      C <NA> <NA>  3      B C
# 9       H    C    B  9      B C