提取在 R 数据帧的另一个变量的两个因子水平上至少出现两次的变量值

Question

我有一个数据框 (df)，例如：

database minrna genesymbol A mir-1 abc A mir-2 bcc B mir-1 abc B mir-3 xyb c mir-1 abc

我想提取至少由两个数据库预测的 mirna。例如在上面的 df, mir-1' is predicted by databaseA,BandC` 中，因此，我想要的结果是：

database minrna genesymbol A mir-1 abc B mir-1 abc c mir-1 abc

我曾尝试搜索类似的问题，但找不到与此类似的内容。你能帮我解决这个问题吗？谢谢你。

Answer 1

使用 {dplyr} 包中的 group_by 函数，我会让你弄清楚细节作为一种练习。

https://dplyr.tidyverse.org/

Answer 2

我们可以计算每个 minrna 的唯一 database 的数量，并基于此进行过滤。

这可以在 base R 中完成：

subset(df, ave(database, minrna, FUN = function(x) length(unique(x))) >= 2)

#  database minrna genesymbol
#1        A  mir-1        abc
#3        B  mir-1        abc
#5        c  mir-1        abc

在dplyr中：

library(dplyr)
df %>% group_by(minrna) %>% filter(n_distinct(database) >= 2)

或 data.table :

library(data.table)
setDT(df)[, .SD[uniqueN(database) >=2], minrna]

数据

df <- structure(list(database = c("A", "A", "B", "B", "c"), minrna = c("mir-1", 
"mir-2", "mir-1", "mir-3", "mir-1"), genesymbol = c("abc", "bcc", 
"abc", "xyb", "abc")), row.names = c(NA, -5L), class = "data.frame")

提取在 R 数据帧的另一个变量的两个因子水平上至少出现两次的变量值

Extract value of a variable that apears at least twice on two factor levels of an other variable of R dataframe

variables

r

extract