分组并保留具有匹配模式的列

Question

我试图弄清楚如何按一个变量分组并保留具有相同变化模式的所有其他变量。这是一个示例 df，其中 gp 是我的分组变量：

   V1 V2 V3 V4 V5 V6 gp
1  0  1  0  0  0  0  x
2  0  0  0  0  1  0  x
3  1  0  1  0  1  1  y
4  0  0  0  0  0  1  x

我想结束的是：

  V1 V3 gp
1  0  0  x
2  0  0  x
3  1  1  y
4  0  0  x

我尝试了很多东西，但没有任何东西能让我接近有用的东西。我的真实数据会更大，但我认为这是一个很好的起点。在这种情况下，我可以做一些数字，但我的“真实数据”是基因组数据，因此不像 0 和 1 那样容易添加。

数据：

structure(list(V1 = c(0L, 0L, 1L, 0L), V2 = c(1L, 0L, 0L, 0L), 
    V3 = c(0L, 0L, 1L, 0L), V4 = c(0L, 0L, 0L, 0L), V5 = c(0L, 
    1L, 1L, 0L), V6 = c(0L, 0L, 1L, 1L), gp = structure(c(1L, 
    1L, 2L, 1L), .Label = c("x", "y"), class = "factor")), class = "data.frame", row.names = c(NA, 
-4L))

Answer 1

您可以通过查找从gp 到该列的值的双射列来做到这一点。也就是说，对于gp（x 或y）中的每个值，变量列中只有一个匹配值，例如V1（0 或 1）。反之亦然，对于像V1 这样的变量列中的每个值，gp 中都有一个匹配项。

要同时对所有列进行操作，首先要转向更长的表单。这也将立即删除简单的重复项。

uniq <- df %>% pivot_longer(-gp) %>% distinct(name, gp, value)
#    name  gp    value
#    <chr> <fct> <int>
#  1 V1    x         0
#  2 V2    x         1
#  3 V3    x         0
#  4 V4    x         0
#  5 V5    x         0
#  6 V6    x         0
#  7 V2    x         0
#  8 V5    x         1
# ...
# 14 V6    y         1
# 15 V6    x         1

然后，您可以通过计算每个gp 值在每个name 中出现的频率来找到一个方向上的“恰好一次”匹配。如果它始终与变量列的常量值匹配，它将恰好是一次。

match_left <- uniq %>%
  count(name, gp) %>%
  group_by(name) %>%
  filter(max(n) == 1) %>%
  distinct(name)

match_left
# # A tibble: 3 x 1
# # Groups:   name [3]
#   name 
#   <chr>
# 1 V1   
# 2 V3   
# 3 V4   

做同样的事情，但值列相反。

match_right <- uniq %>%
  count(name, value) %>%
  group_by(name) %>%
  filter(max(n) == 1) %>%
  distinct(name)

match_right
# # A tibble: 2 x 1
# # Groups:   name [2]
#   name 
#   <chr>
# 1 V1   
# 2 V3   

现在我们知道要保留哪些变量，我们可以将所有内容重新合并在一起并重塑为宽格式。

matches <- df %>%
  mutate(i = row_number()) %>%
  pivot_longer(-c(i, gp)) %>%
  inner_join(match_left, on='name') %>%
  inner_join(match_right, on='name') %>%
  spread(name, value) %>%
  arrange(i) %>%
  select(-i)

matches
# # A tibble: 4 x 3
#   gp       V1    V3
#   <fct> <int> <int>
# 1 x         0     0
# 2 x         0     0
# 3 y         1     1
# 4 x         0     0

Answer 2

我们可以使用duplicated 来获取重复的列。但是，duplicated 以逐行方式工作，因此我们转置了原始数据帧。

t1 <- t(df[-ncol(df)])
df[c(duplicated(t1) | duplicated(t1, fromLast = TRUE), TRUE)]

#  V1 V3 gp
#1  0  0  x
#2  0  0  x
#3  1  1  y
#4  0  0  x

最后的TRUE 是选择最后一列gp。