如何比较重复值并过滤掉 R 数据框中不需要的值？ [复制]答案

【问题标题】：How to compare duplicated values and filter out unwanted ones in a R data frame? [duplicate]如何比较重复值并过滤掉 R 数据框中不需要的值？ [复制]
【发布时间】：2020-04-17 07:03:23
【问题描述】：

我制作了一个这样的测试数据框：

gene <- as.factor(c('A','B','B','B','C','C','D'))
location <- as.integer(c(1,4,5,6,2,3,9))
df <- data.frame(gene, location)

> df
  gene location
1    A        1
2    B        4
3    B        5
4    B        6
5    C        2
6    C        3
7    D        9

我想保留唯一的基因 A、B、C、D，并过滤掉非最高位置的重复基因。（例如对于基因B，只保留位置6的B；对于基因C，只保留位置3的C）。

所以最终结果应该是这样的：

  gene location
1    A        1
4    B        6
6    C        3
7    D        9

有人知道我该怎么做吗？

【问题讨论】：

标签： r dataframe

【解决方案1】：

您可以使用aggregate() 或ave() 来执行此操作，即，

dfout <- aggregate(location ~ gene, df, FUN = max)

或

dfout <- unique(within(df,location <- ave(location,gene,FUN = max)))

这样

> dfout
  gene location
1    A        1
2    B        6
3    C        3
4    D        9

【讨论】：

我想知道如果我有一个不只是两列的更大数据框，我应该在这里指定“~基因”吗？
@Helena 然后你可以使用dfout <- aggregate(. ~ gene, df, FUN = max)

【解决方案2】：

如果你有一个数据框包含的不仅仅是基因和位置，你可以试试：

df = df[order(df$gene,-df$location),]
df[!duplicated(df$gene),]

【讨论】：

似乎它不适用于更大的数据集，但我通过添加一行来修复它：df <- df[order(-df$location),]index <- duplicated(df$gene)df <- df[!index,] 虽然它看起来与您的建议相同。跨度>
是的。只需执行 df = df[order(-df$location); df
您的示例数据框很小，所以我只是展示了上面的解决方案，因为对两列进行排序并不昂贵。在您的问题中说明这一点很有用。