R在一列中查找重复项并在第二列中折叠答案

【问题标题】：R finding duplicates in one column and collapsing in a second columnR在一列中查找重复项并在第二列中折叠
【发布时间】：2012-08-16 19:06:09
【问题描述】：

我有一个数据框，其中有两列联系字符串。在一列（名为probes）中，我有重复的案例（即具有相同字符串的多个案例）。对于探测中的每个案例，我想找到包含相同字符串的所有案例，然后将第二列（名为genes）中所有相应案例的值合并为一个案例。例如，如果我有这样的结构：

    probes  genes
1   cg00050873  TSPY4
2   cg00061679  DAZ1
3   cg00061679  DAZ4
4   cg00061679  DAZ4

我想改成这样的结构：

    probes  genes
1   cg00050873  TSPY4
2   cg00061679  DAZ1 DAZ4 DAZ4

显然对于使用 which 的单个探针执行此操作没有问题，然后粘贴和折叠

ind<-which(olap$probes=="cg00061679")
genename<-(olap[ind,2])
genecomb<-paste(genename[1:length(genename)], collapse=" ")

但我不确定如何在整个数据帧中提取探针列中重复项的索引。有什么想法吗？

提前致谢

【问题讨论】：

【解决方案1】：

您可以在基础 R 中使用 tapply

data.frame(probes=unique(olap$probes), 
           genes=tapply(olap$genes, olap$probes, paste, collapse=" "))

或使用 plyr：

library(plyr)
ddply(olap, "probes", summarize, genes = paste(genes, collapse=" "))

更新

在第一个版本中这样做可能更安全：

tmp <- tapply(olap$genes, olap$probes, paste, collapse=" ")
data.frame(probes=names(tmp), genes=tmp)

以防万一 unique 以与tapply 不同的顺序提供探针。我个人会一直使用ddply。

【讨论】：

【解决方案2】：

Base R aggregate() 应该可以正常工作：

aggregate(genes ~ probes, data = olap, as.vector)
#       probes            genes
# 1 cg00050873            TSPY4
# 2 cg00061679 DAZ1, DAZ4, DAZ4

我更喜欢as.vector，以防我需要对数据进行任何进一步的处理（这会将genes 列存储为list，但如果您更喜欢将aggregate(genes ~ probes, data=test, paste, collapse=" ") 用作字符，也可以尝试使用它字符串。

【讨论】：