按列分组子集数据框答案

【问题标题】：subset dataframe by column groupings按列分组子集数据框
【发布时间】：2014-12-26 14:32:27
【问题描述】：

我有以下数据框：

            V1 subst_string
1     NM_000171        L374R
2     NM_000171        W421P
3     NM_000171        T358A
4     NM_000171        T358A
5     NM_000171        T358A
6     NM_000171        T358A
7     NM_000171        S268R
8     NM_000171         N35P
9     NM_000171        T435F
10    NM_000171        T435F
11    NM_000171        T435F
12    NM_000171        T435F
13    NM_000171        L368E
14    NM_000171        L368G
15    NM_000171        L374R
16    NM_000171        W421L
17    NM_000171        W421P
18    NM_000171        W421L
19    NM_000171        R371R
20    NM_000171        R371R
21    NM_000171        S268R
22    NM_000171         N35R
23    NM_000171         N35P
24    NM_000171         N35R
25    NM_000171        F271L
26    NM_000171        F271L
27    NM_000171        F271L
28    NM_000171        L368E
29    NM_000171        L374R
30    NM_000171        L374R
31    NM_000171        M157N
32    NM_000171        M157N
33    NM_000171        M157N
34    NM_000171        R371R
35    NM_000171        S268R
36    NM_000171        S268R
37    NM_000171        Y201P
38    NM_000171        Y201P
39    NM_000171        Y201P
40    NM_000171        Y201P
41    NM_000171        F271L
42    NM_000171        L368G
43    NM_000171        Y397S
44    NM_000171        Y397G
45    NM_000171        Y397S
46    NM_000171        Y397G
47    NM_000171        M157N
48    NM_000171        R371R
49 NM_001146040        F271L
50 NM_001146040        L368E
51 NM_001146040        L374R
52 NM_001146040        E429P
53 NM_001146040        T358A
54 NM_001146040        T358A
55 NM_001146040        M157N
56 NM_001146040        R371R
57 NM_001146040        S268R
58 NM_001146040         N35P
59 NM_001146040        I443F
60 NM_001146040        I443F
61 NM_001146040        Y201P
62 NM_001146040        Y201P
63 NM_001146040        F271L
64 NM_001146040        L368G
65 NM_001146040        L374R
66 NM_001146040        E429L
67 NM_001146040        L405S
68 NM_001146040        L405G
69 NM_001146040        M157N
70 NM_001146040        R371R
71 NM_001146040        S268R
72 NM_001146040         N35R
73 NM_001292000       NANANA
74 XM_005268412       NANANA

这相当简单 - 第一列由 4 个不同的值组成，我想创建 4 个数据子集，其中数据框由这些不同的值子集。即

            V1 subst_string
1     NM_000171        L374R
2     NM_000171        W421P
3     NM_000171        T358A
4     NM_000171        T358A
5     NM_000171        T358A
6     NM_000171        T358A
7     NM_000171        S268R
8     NM_000171         N35P
9     NM_000171        T435F
10    NM_000171        T435F
11    NM_000171        T435F
12    NM_000171        T435F
13    NM_000171        L368E
14    NM_000171        L368G
15    NM_000171        L374R
16    NM_000171        W421L
17    NM_000171        W421P
18    NM_000171        W421L
19    NM_000171        R371R
20    NM_000171        R371R
21    NM_000171        S268R
22    NM_000171         N35R
23    NM_000171         N35P
24    NM_000171         N35R
25    NM_000171        F271L
26    NM_000171        F271L
27    NM_000171        F271L
28    NM_000171        L368E
29    NM_000171        L374R
30    NM_000171        L374R
31    NM_000171        M157N
32    NM_000171        M157N
33    NM_000171        M157N
34    NM_000171        R371R
35    NM_000171        S268R
36    NM_000171        S268R
37    NM_000171        Y201P
38    NM_000171        Y201P
39    NM_000171        Y201P
40    NM_000171        Y201P
41    NM_000171        F271L
42    NM_000171        L368G
43    NM_000171        Y397S
44    NM_000171        Y397G
45    NM_000171        Y397S
46    NM_000171        Y397G
47    NM_000171        M157N
48    NM_000171        R371R

就是这样的一个子集。我想我可以手动执行此操作，但是我设想在以后的数据集中为 V1 提供更多不同的值。有谁知道我如何根据 V1 的不同值自动生成此数据帧的子集？

谢谢

【问题讨论】：

标签： r dataframe subset

【解决方案1】：

只需使用split 创建list

 split(df, df$V1)

如果您需要全局环境中的4 数据集

 list2env(split(df, df$V1), envir=.GlobalEnv)

 head(NM_000171,2)
 #        V1 subst_string
 #1 NM_000171        L374R
 #2 NM_000171        W421P

【讨论】：

是的，第二部分真的很有帮助——我已经用过了。

【解决方案2】：

如果你知道拆分后该怎么做，有很多方法；你不需要为此使用'split'。例如查找子组的长度：

with(ddf, tapply(subst_string, V1, length))
   NM_000171 NM_001146040 NM_001292000 XM_005268412 
          48           24            1            1 

aggregate(subst_string~V1, data=ddf, length)
            V1 subst_string
1    NM_000171           48
2 NM_001146040           24
3 NM_001292000            1
4 XM_005268412            1

library(data.table)
ddt = data.table(ddf)
ddt[,list(len =.N),by=V1]
             V1 len
1:    NM_000171  48
2: NM_001146040  24
3: NM_001292000   1
4: XM_005268412   1

【讨论】：

+1 以获得正确的建议。在大多数情况下，无需保持数据拆分。