按因子和功能分组数据帧行 - 输出完整的原始数据帧行

Question

我的第一篇文章，我对 R 很陌生，所以这可能是一个 lob。不过，我已经到处寻找解决方案，所以我终于发帖寻求帮助。如果我需要澄清或提供更多信息，请告诉我。

我有一个大数据框，如下所示：

numReads length    name2
0        7384      Ssxb2
7904     93237     St5
3438     12969     Taf9b
0        996       Tas2r138
0        882       Tas2r143
0        960       Tas2r144
0        6761      Tbx10
8125     43804     Tdrd1
8124     43738     Tdrd1
8102     39301     Tdrd1
1227     9286      Thnsl1

如何按第三列（name2）对数据进行分组，找到 numReads 的 max() 值，并保持关联的长度值？

我的理想输出是上述数据，其中包含与“Tdrd1”相关联的两行，其中不包含该因子水平的最大值（具有 8124 和 8102 值的行）。

我尝试过tapply()、by() 和aggregate()。他们都不能为我提供正确的输出。

提前致谢。

在比预期快得多的 cmets 之后进行编辑。谢谢！

理想的示例结果如下所示

numReads  length  name2
0        7384      Ssxb2
7904     93237     St5
3438     12969     Taf9b
0        996       Tas2r138
0        882       Tas2r143
0        960       Tas2r144
0        6761      Tbx10
8125     43804     Tdrd1
1227     9286      Thnsl1

看来我在这里有两个问题。第一个是根据一个因素对数据进行分组。第二个是如何在组上计算一个函数，但在计算出所选函数后输出整行。

我喜欢聚合() 后跟合并() 的想法。但是，merge() 函数如何知道原始行中的哪一行可以根据公因子水平获取“长度”值？

数据是基于转录注释的基因表达数据的快照。我正在尝试为关联的“name2”选择表达最高的成绩单（以 numReads 而言）。我需要下游标准化的长度数据。

在尝试使用 ROLO 非常有用的建议后进行编辑。再次感谢！

也感谢 Chase 和 daroczig 的帮助

所以我尝试使用 ddply() 方法将我的数据帧按“name2”拆分，按读取次数降序排序，然后选择第一行。这有效地为我提供了每个组的最大“name2”值，并保留了我所有的原始信息，尤其是长度。

不幸的是，我正在尝试在 >34,000 行的数据帧上执行此操作。它适用于 ~1000 行，甚至 ~5000 行，但是当我将整个数据集提供给它时​​会崩溃。

我尝试使用 .parallel 选项，但失败并出现以下错误：

Loading required package: foreach
Error: foreach package required for parallel plyr operation

我也尝试使用 .progressbar 选项来监控操作。进度条达到 100%，但操作从未完成。

关于如何将此操作应用于我的完整数据集的任何想法？

Answer 1

使用plyr对name2进行拆分，然后对numReads进行反向排序并选择第一行：

require(plyr)
ddply(df, "name2", function(dat) {
    dat[order(dat$numReads, decreasing=TRUE), ][1,]
})

  numReads length    name2
1        0   7384    Ssxb2
2     7904  93237      St5
3     3438  12969    Taf9b
4        0    996 Tas2r138
5        0    882 Tas2r143
6        0    960 Tas2r144
7        0   6761    Tbx10
8     8125  43804    Tdrd1
9     1227   9286   Thnsl1

Answer 2

我可能无法准确了解您的需求，但我认为您希望从数据库中获取在numReadsname2 的每个级别中具有最高值的行。这可以很容易地完成，例如。使用aggregate 和更高版本的merge。

您的演示数据集：

df  <- structure(list(numReads = c(0L, 7904L, 3438L, 0L, 0L, 0L, 0L, 
8125L, 8124L, 8102L, 1227L), length = c(7384L, 93237L, 12969L, 
996L, 882L, 960L, 6761L, 43804L, 43738L, 39301L, 9286L), name2 = structure(c(1L, 
2L, 3L, 4L, 5L, 6L, 7L, 8L, 8L, 8L, 9L), .Label = c("Ssxb2", 
"St5", "Taf9b", "Tas2r138", "Tas2r143", "Tas2r144", "Tbx10", 
"Tdrd1", "Thnsl1"), class = "factor")), .Names = c("numReads", 
"length", "name2"), class = "data.frame", row.names = c(NA, -11L
))

让我们通过name2和max函数聚合数据框：

> df.a <- aggregate(numReads ~ name2, df, max)
> df.a
     name2 numReads
1    Ssxb2        0
2      St5     7904
3    Taf9b     3438
4 Tas2r138        0
5 Tas2r143        0
6 Tas2r144        0
7    Tbx10        0
8    Tdrd1     8125
9   Thnsl1     1227

并将length的原始值合并到数据框（df.a）：

> merge(df.a, df)
     name2 numReads length
1    Ssxb2        0   7384
2      St5     7904  93237
3    Taf9b     3438  12969
4 Tas2r138        0    996
5 Tas2r143        0    882
6 Tas2r144        0    960
7    Tbx10        0   6761
8    Tdrd1     8125  43804
9   Thnsl1     1227   9286

希望我没有误解你的问题！

Answer 3

这里似乎有两个不同的问题。第一个可以用plyr包解决：

library(plyr)
txt <- "numReads length    name2

0   7384    Ssxb2
7904  93237      St5
3438  12969    Taf9b
0    996 Tas2r138
0    882 Tas2r143
0    960 Tas2r144
0   6761    Tbx10
8125  43804    Tdrd1
8124  43738    Tdrd1
8102  39301    Tdrd1
1227   9286   Thnsl1
"

dat <- read.table(textConnection(txt), header = TRUE)

ddply(dat, "name2", summarize, max = max(numReads))

给你：

     name2  max
1    Ssxb2    0
2      St5 7904
3    Taf9b 3438
4 Tas2r138    0
5 Tas2r143    0
6 Tas2r144    0
7    Tbx10    0
8    Tdrd1 8125
9   Thnsl1 1227

第二个问题似乎可以这样回答：

dat[dat$name2 == "Tdrd1" & dat$numReads != max(dat$numReads[dat$name2 == "Tdrd1"]),]

   numReads length name2
9      8124  43738 Tdrd1
10     8102  39301 Tdrd1

提供更多关于您正在尝试做的事情的背景信息，我会进一步详细说明。