如何按类别将数据框列的概率值添加到同一数据框中的新列？答案

【问题标题】：How to add probabilities values of a dataframe colunm, by categories, to a new column in the same dataframe?如何按类别将数据框列的概率值添加到同一数据框中的新列？
【发布时间】：2018-01-02 19:44:45
【问题描述】：

我在面对数据框时遇到了问题。可以说，我有一个数据框，其中一列包含值（范围为 0 到 100000）。一个例子：

                     TCGA.CG.4462
 ENSG00000000003       4.7574661
 ENSG00000000005       0.0000000
 ENSG00000000419       24.1066335
 ENSG00000000457       2.7631012
 ENSG00000000460       0.8928772

我想通过以下 5 个类别添加一个新列，其中包含列数据的概率：

non_expressed [0]
low_expressed ]0,1]
normal_expressed ]1,10]
high_expressed [10,100]
very_high_expressed > 100

因此，例如，我想在新列中添加的值是：

non_expressed：0.2
low_expressed 0.2
normal_expressed：0.4
high_expressed：0.2
very_high_expressed：0.0

所以我的数据框变成了这样：

                     TCGA.CG.4462     Prob
 ENSG00000000003       4.7574661      0.4
 ENSG00000000005       0.0000000      0.2
 ENSG00000000419       24.1066335     0.2
 ENSG00000000457       2.7631012      0.4
 ENSG00000000460       0.8928772      0.2

我已经尝试了很多不同的方法，但是到目前为止都没有奏效。我认为 if 条件将是解决我的问题的最佳方法，但是，if 条件会给出错误，因为条件的长度> 1。谁能告诉我解决这个问题的最佳方法是什么？

【问题讨论】：

标签： r dataframe

【解决方案1】：

我们可以使用cut 来查找区间并用所需的概率标记它们。由于概率中有重复，因此会出现警告消息，可以忽略。请看下面的演示：

library(data.table)
cut(df1$TCGA.CG.4462, breaks = c(-Inf, 0, 1, 10, 100, Inf), include.lowest = TRUE)
# [1] (1,10]   [-Inf,0] (10,100] (1,10]   (0,1]   
# Levels: [-Inf,0] (0,1] (1,10] (10,100] (100, Inf]

df1[, prob := as.numeric(as.character(cut(TCGA.CG.4462, 
                                          breaks = c(-Inf, 0, 1, 10, 100, Inf), 
                                          include.lowest = TRUE,
                                          labels = c(0.2, 0.2, 0.4, 0.2, 0.0))))]

# Warning message:
#   In `levels<-`(`*tmp*`, value = if (nl == nL) as.character(labels) 
#                 else paste0(labels,  : duplicated levels in factors are deprecated

df1
#              genes TCGA.CG.4462 prob
# 1: ENSG00000000003    4.7574661  0.4
# 2: ENSG00000000005    0.0000000  0.2
# 3: ENSG00000000419   24.1066335  0.2
# 4: ENSG00000000457    2.7631012  0.4
# 5: ENSG00000000460    0.8928772  0.2

使用基础 R（未使用包）

df1 <- within(df1, prob <- as.numeric(as.character(cut(TCGA.CG.4462, 
                                                       breaks = c(-Inf, 0, 1, 10, 100, Inf), 
                                                       include.lowest = TRUE,
                                                       labels = c(0.2, 0.2, 0.4, 0.2, 0.0)))))

数据：

library(data.table)
df1 <- fread('ENSG00000000003       4.7574661
             ENSG00000000005       0.0000000
             ENSG00000000419       24.1066335
             ENSG00000000457       2.7631012
             ENSG00000000460       0.8928772', header = F)
colnames(df1) <- c("genes", "TCGA.CG.4462")

编辑：第三列：将值 1 添加到“第三”列

data.table 包

df1[, `:=` ( prob = as.numeric(as.character(cut(TCGA.CG.4462, 
                                          breaks = c(-Inf, 0, 1, 10, 100, Inf), 
                                          include.lowest = TRUE,
                                          labels = c(0.2, 0.2, 0.4, 0.2, 0.0)))),
             third = 1)]

基础 R：

within(df1, c(prob <- as.numeric(as.character(cut(TCGA.CG.4462, 
                                              breaks = c(-Inf, 0, 1, 10, 100, Inf), 
                                              include.lowest = TRUE,
                                              labels = c(0.2, 0.2, 0.4, 0.2, 0.0)))),
       third <- 1))

【讨论】：

谢谢萨西什！这确实是一种很好的方法，而且效果很好！
是否可以使用类似的方法添加具有相应类别的第三列？

【解决方案2】：

这是另一个data.table 解决方案，它使用查找表和非等值连接中的更新：

library(data.table)
# create lookup table
lookup <- data.table(
  expression = c("non", "low", "normal", "high", "very_high"),
  Prob = c(0.2, 0.2, 0.4, 0.2, 0.0),
  lower = c(-Inf, 0, 10^(0:2))
)
lookup[, upper := shift(lower, type = "lead", fill = Inf)][]

   expression Prob lower upper
1:        non  0.2  -Inf     0
2:        low  0.2     0     1
3:     normal  0.4     1    10
4:       high  0.2    10   100
5:  very_high  0.0   100   Inf

# update in a non-equi join
# note the left open intervals
setDT(DT)[lookup, on = .(TCGA.CG.4462 > lower, TCGA.CG.4462 <= upper), 
   `:=`(expression = expression, Prob = Prob)][]

            row.id TCGA.CG.4462 expression Prob
1: ENSG00000000003    4.7574661     normal  0.4
2: ENSG00000000005    0.0000000        non  0.2
3: ENSG00000000419   24.1066335       high  0.2
4: ENSG00000000457    2.7631012     normal  0.4
5: ENSG00000000460    0.8928772        low  0.2

数据

library(data.table)
DT <- fread(
  "row.id                TCGA.CG.4462
 ENSG00000000003       4.7574661
  ENSG00000000005       0.0000000
  ENSG00000000419       24.1066335
  ENSG00000000457       2.7631012
  ENSG00000000460       0.8928772"
)

【讨论】：