有条件地从数据框中删除重复行

Question

我在 R 中有一个数据框，由两列组成：“基因”和“表达”。它有一些基因的重复行，但是这些重复的条目具有不同的表达式值。我想压缩重复的行，所以每个基因只有一行，并且这一行具有最大的“绝对”表达式值。示例如下：

对于这个数据框...

df <- data.frame(Gene=c("AKT","MYC","MYC","RAS","RAS","RAS","TP53"),
                 Expression=c(3,2,6,1,-4,-1,-3))

  Gene Expression
1  AKT          3
2  MYC          2
3  MYC          6
4  RAS          1
5  RAS         -4
6  RAS         -1
7 TP53         -3

我想要这个输出..

  Gene Expression
1  AKT          3
2  MYC          6
3  RAS         -4
4 TP53         -3

我可以使用识别重复的基因

duplicated(df$Gene)

但我不确定如何排除那些较小绝对值的重复项。

Ps - 我是这个 R malarkey 的新手..

Answer 1

看起来像是aggregate() 的工作。

# Input data frame
df <- data.frame(Gene=c("AKT", "MYC", "MYC", "RAS", "RAS", "RAS", "TP53"),
                 Expression=c(3, 2, 6, 1, -4, -1, -3))

# Maximum absolute value of Expression by Gene
maxabs <- with(df, aggregate(Expression, list(Gene=Gene), FUN=function(x) max(abs(x))))

# Combine with original data frame
df <- merge(df, maxabs, by="Gene")

# Get desired rows
subset(df, abs(Expression) == x)

# Output:
  Gene Expression
1  AKT          3
3  MYC          6
5  RAS         -4
7 TP53         -3

但是，如果同一基因的多个表达测量具有相同的值，恰好满足过滤条件，会发生什么？你仍然会有重复的行，但现在我们为每个基因选择哪一行并不重要。我们所要做的就是再增加一个步骤。

为了举例，假设你有一个额外的 MYC 行，表达式值为 6。然后按照相同的步骤给我们这个：

# Example of multiple rows after filtering:
  Gene Expression
1  AKT          3
2  MYC          6
3  MYC          6
4  RAS         -4
5 TP53         -3

# Assign the subset to something
df.maxexpr <- subset(df, abs(Expression) == x)

# Remove duplicate genes (all gene rows should be identical)
df.maxexpr[!duplicated(df.maxexpr$Gene), ]

那么这种情况下的输出和之前一样匹配预期的输出。

Answer 2

这是dplyr的解决方案：

df <- data.frame(Gene=c("AKT","MYC","MYC","RAS","RAS","RAS","TP53"),
                 Expression=c(3,2,6,1,-4,-1,-3))

library(dplyr)
df %>% 
  group_by(Gene) %>%
  filter(row_number(desc(abs(Expression))) == 1)

这给出了：

#Source: local data frame [4 x 2]
#Groups: Gene
#
#  Gene Expression
#1  AKT          3
#2  MYC          6
#3  RAS         -4
#4 TP53         -3