r - 按 R/dplyr 中的条件最大值过滤

Question

我有按测试和每个测试中的子组分组的数据。然后我收集了一系列比例，每个比例都有一个 p 值来确定其重要性。所以我的数据的基本结构是:

testid <- paste0("T", c(rep(1, 5), rep(2, 5)))
groupid <- rep(1:5, 2)
prop <- c(0.98, 0.76, 0.54, 0.32, 0.1, 0.79, 0.32, 0.09, 0.04, 0.01)
pval <- c(0.01, 0.02, 0.03, 0.04, 0.1, 0.03, 0.06, 0.25, 0.35, 0.45)

library(dplyr)
df <- tibble(testid, groupid, prop, pval)

df

# A tibble: 10 x 4
   testid groupid  prop  pval
   <chr>    <int> <dbl> <dbl>
 1 T1           1  0.98  0.01
 2 T1           2  0.76  0.02
 3 T1           3  0.54  0.03
 4 T1           4  0.32  0.04
 5 T1           5  0.1   0.1 
 6 T2           1  0.79  0.03
 7 T2           2  0.32  0.06
 8 T2           3  0.09  0.25
 9 T2           4  0.04  0.35
10 T2           5  0.01  0.45

我需要的是查看每个测试，并从 p 低于 0.05 的最高组编号中收集结果。所以期望的输出是:

desired <- df %>% 
  filter((testid == "T1" & groupid == 4) | (testid == "T2" & groupid == 1))

desired

# A tibble: 2 x 4
  testid groupid  prop  pval
  <chr>    <int> <dbl> <dbl>
1 T1           4  0.32  0.04
2 T2           1  0.79  0.03

查看 Stack Overflow 上的类似问题，我尝试了这段代码...

x <- df %>%
  group_by(testid) %>%
  filter(row_number() <= max(pval < 0.5)[1])

...但这不太正确，它为两个测试返回了第 1 组。

帮助？ (请注意，由于我已经进行了先前的过滤，因此每个测试应该至少有一个 p < 0.05 的组号)。

(此外，dplyr 是我的首选方法，但不是必需的。)

Answer 1

我们可以使用带有“pval”的逻辑向量对“groupid”进行子集化，并使用%in%从“groupid”的max值构造一个逻辑向量'

library(dplyr)
df %>% 
   group_by(testid) %>% 
   filter(groupid %in% max(groupid[pval < 0.05])) %>%
   ungroup

-输出

# A tibble: 2 × 4
  testid groupid  prop  pval
  <chr>    <int> <dbl> <dbl>
1 T1           4  0.32  0.04
2 T2           1  0.79  0.03

---

或者另一种选择是排列列，然后用slice_head/slice_tail做一个group_by

library(dplyr)
df %>% 
    filter(pval < 0.05) %>% 
    arrange(testid, groupid, desc(pval)) %>%
    group_by(testid) %>% 
    slice_tail(n = 1) %>%
    ungroup

-输出

# A tibble: 2 × 4
  testid groupid  prop  pval
  <chr>    <int> <dbl> <dbl>
1 T1           4  0.32  0.04
2 T2           1  0.79  0.03