r - 如何根据与 R 中分组数据框中其他行中的值的比较来过滤行？

Question

我有一个类似于下面示例的数据框(这是我的数据框的一小部分)。我想根据“pos”列过滤掉行，从而删除值在一个或多个其他行的 50 以内的行，除非所有这些附近的行在“m_q_prop”中的值都小于 0.05 和'f_q_prop' 列或 'm_p_prop' 和 'f_p_prop' 列。换句话说，剩余行的“pos”值与其他行至少相差 50，或者“pos”50 以内的任何行的“m_q_prop”和“f_p_prop”或“m_p_prop”和“f_p_prop”值小于 0.05 .但是，行必须按“contig”列分组，以便“pos”值仅与同一“contig”组中的其他行进行比较。

我曾尝试使用许多不同的功能组合，例如下面的那些，但都产生了错误。我的假设是我需要通过“contig”组拆分数据框，然后在重新加入数据框之前过滤行。对于中间步骤，我尝试直接过滤行，或者创建一个新的类别列(例如适合和不适合)，我可以在之后使用它们进行过滤。这些列也是所有字符，因此需要转换为数字，除了“contig”列(尽管示例数据框产生因子，但我不确定如何将它们转换为字符以匹配我的实际数据)。

示例数据框:

df <- data.frame(contig=c("Contig101702", "Contig101702", "Contig103637", 
"Contig105622", "Contig105622", "Contig105622", "Contig105901", 
"Contig105901", "Contig117031", "Contig118816", "Contig120914", 
"Contig120914"), 
pos=c("12048", "13281", "1398", "1078", "1090", "1125", "7178", "7180", 
"3236", "3700", "56298", "56326"),
m_p_prop=c("0.9789", "0.9792", "0.9845", "0.9787", "0.9839", "0.9826", 
"0.9468", "0.9468", "0.9713", "0.9794", "0.0195", "0.0048"),
f_p_prop=c("0.5047", "0.5000", "0.5089", "0.5000", "0.5000", "0.5050", 
"0.4867", "0.4867", "0.4810", "0.5086", "0.0491", "0.0012"),
m_q_prop=c("0.0211", "0.0208", "0.0155", "0.0213", "0.0161", "0.01744", 
"0.0532", "0.0532", "0.0287", "0.0206", "0.9805", "0.0052"),
f_q_prop=c("0.495", "0.5000", "0.4911", "0.5000", "0.5000", "0.4950", 
"0.5133", "0.5133", "0.5190", "0.4914", "0.9509", "0.9988"))

df

过滤后的预期输出:

df_output

我尝试过滤的示例(在这个阶段，我只是尝试按“pos”值过滤，然后再添加“prop”要求):

df_output <- df %>%
  split(df$contig) %>%
  by(function(x) {filter(!between(as.numeric(df$pos), 
                                 as.numeric(df$pos)-50, 
                                 as.numeric(df$pos)+50))}) %>%
  do.call(rbind, .)

df_output <- df %>%
  split(df$contig) %>%
  sapply( function(x) {filter(!as.numeric(df$pos)>=as.numeric(df$pos)-50 |
      !as.numeric(df$pos)<=as.numeric(df$pos)+50)}) %>%
  do.call(rbind, .)

df_output <- df %>% as.numeric(df$pos) %>%
  split(df$contig) %>%
  sapply( function(x)
   {mutate(suitable=ifelse(as.numeric(df$pos)>=as.numeric(df$pos)-50 |
                                            as.numeric(df$pos 
                                            <=as.numeric(df$pos)+50),
                              "bad", "good")}) %>%
  do.call(rbind,.)

Answer 1

使用 tidyverse 的解决方案.首先，我将您所有的数字都转换为数字。

library(tidyverse)

df <- df %>% mutate_at(vars(-contig), funs(as.numeric(as.character(.))))

之后，我创建了一个名为 Diff 的列表列每个contig中的所有数字组合.然后我创建了一个名为 Flag 的列，即 TRUE如果所有数字对都大于 50 或只有一个数字。最后，我将数据框合并回原始数据框。然后我将数据框过滤为 filter(Flag | (m_p_prop < 0.05 & f_p_prop < 0.05) | m_q_prop < 0.05 & f_q_prop < 0.05) . df2是最终的输出。

如果你不想使用map_lgl , 将其替换为 sapply也可以。

df2 <- df %>%
  group_by(contig) %>%
  summarise(Diff = ifelse(n() > 1, list(combn(pos, 2)), list(NA))) %>%
  mutate(Flag = map_lgl(Diff, function(x){
    if (is.null(dim(x))){
      return(TRUE)
    } else {
      return(all(abs(x[1, ] - x[2, ]) > 50))
    }
  })) %>%
  right_join(df, by = "contig") %>%
  filter(Flag | (m_p_prop < 0.05 & f_p_prop < 0.05) | (m_q_prop < 0.05 & f_q_prop < 0.05)) %>%
  select(-Diff, -Flag)

df2
# A tibble: 7 x 6
#   contig         pos m_p_prop f_p_prop m_q_prop f_q_prop
#   <fct>        <dbl>    <dbl>    <dbl>    <dbl>    <dbl>
# 1 Contig101702 12048  0.979    0.505    0.0211     0.495
# 2 Contig101702 13281  0.979    0.500    0.0208     0.500
# 3 Contig103637  1398  0.984    0.509    0.0155     0.491
# 4 Contig117031  3236  0.971    0.481    0.0287     0.519
# 5 Contig118816  3700  0.979    0.509    0.0206     0.491
# 6 Contig120914 56298  0.0195   0.0491   0.980      0.951
# 7 Contig120914 56326  0.00480  0.00120  0.00520    0.999