合并R中的重复列和求和值

Question

我有一个大矩阵，其中物种作为列，站点作为行。它是一个存在/不存在矩阵（即每个物种可以存在 = 1 或不存在 = 0）。

有些物种是重复的，但它们的值不一样（即同一物种可以出现在一个记录中，而在另一个记录中不存在）。

我需要合并列，即当一个物种被复制时，我只想保留一个记录并对所有值求和。

例如，给定这个矩阵：

A = matrix(c(1,0,1,1,1,1,0,0,1,1), nrow=2, ncol=5)
colnames(A)<-c("A","B","A","A","B")

   A B A A B
   1 1 1 0 1
   0 1 1 0 1

我想要的结果矩阵应该是：

   A B
   2 2
   1 2

但我的原始数据框中有 948 列和 454 行，这只是一个简单的示例。

我尝试转置然后聚合，但它不起作用。

Answer 1

它基本上是一个循环，我们遍历每个唯一名称，然后使用 grepl 我们提取具有这些名称的列并执行行和

sapply(unique(colnames(A)), function(x) rowSums(A[,grepl(x, colnames(A))]))
#      A B
# [1,] 2 2
# [2,] 1 2

---

现在来解决您面临的问题：以下面的示例为例：

A = data.frame(c("JOEL", "WILSON"),c(1,0),c(1,1),c(1,1),c(0,0),c(1,1))
colnames(A)<-c("id","A","B","A","A","B")
#       id A B A A B
# 1   JOEL 1 1 1 0 1
# 2 WILSON 0 1 1 0 1

# assuming you have first column as factor(id) 
col <- unique(colnames(A))[-1]  # -1 means remove the first unique column name which in this case is "id" a factor column

cbind(A[1], sapply(col, function(x) rowSums(A[,grepl(x, colnames(A))])))
#      id A B
#1   JOEL 2 2
#2 WILSON 1 2

注意：我没有在这里对原始数据进行子集化，因为当我们这样做时，重复的列名现在附加了一个后缀：例如:-

A1 <- A[-1]
#A1
#  A B A.1 A.2 B.1
#1 1 1   1   0   1
#2 0 1   1   0   1

因此，您遇到了问题。希望对你有帮助！

让我们进入调试模式，因为您仍然遇到错误：

func <- function(x){
  w <- grepl(x, colnames(A))
  h <- A[, w]
  rowSums(h)
}  
debug(func)  
sapply(col, func)   # col is as above

现在逐步检查func..

Answer 2

按照这篇文章中的说明，我通过转置矩阵然后对行求和找到了解决方案：Checking duplicates, sum them and delete one row after summing

Answer 3

Joel Wilson 的代码差不多就在那里，但关注的是唯一列而不是重复列。我在这里的回答是对 Joel 的代码稍作修改，改为专注于重复的列。

# two functions
df2 <- sapply(unique(colnames(df)[duplicated(colnames(df))]), function(x) rowSums(df[,grepl(paste(x, "$", sep=""), colnames(df))]))
df2 <- cbind(df2, df[,!duplicated(colnames(df)) & !duplicated(colnames(df), fromLast = TRUE)])

# one long function
df2 <- cbind(sapply(unique(colnames(df)[duplicated(colnames(df))]), function(x) rowSums(df[,grepl(paste(x, "$", sep=""), colnames(df))])), df[,!duplicated(colnames(df)) & !duplicated(colnames(df), fromLast = TRUE)])

---

说明

建立答案，首先查看列名：

colnames(df)

创建指示重复列的逻辑向量：

duplicated(colnames(df))

返回重复列名的列名（听起来很迂回，但逻辑向量正在选择重复列，然后colnames 返回名称）：

colnames(df)[duplicated(colnames(df))]

用unique 函数包装它以返回每个重复列的单个副本：

unique(colnames(df)[duplicated(colnames(df))])

使用此代码代替 Joel Wilson 的列名代码 unique(colnames(A))：

sapply(unique(colnames(df)[duplicated(colnames(df))]), function(x) rowSums(df[,grepl(x, colnames(df))]))

我们在这里所做的是使用重复列的名称创建一个向量，然后在这些名称上迭代地应用一个函数。对于每个列名，R 搜索数据框并选择具有该名称的列并对它们的行求和。

最后，将此函数分配给一个新的数据框，并将未求和的列（没有重复名称的列）加回。

df2 <- sapply(unique(colnames(df)[duplicated(colnames(df))]), function(x) rowSums(df[,grepl(paste(x, "$", sep=""), colnames(df))]))
df2 <- cbind(df2, df[,!duplicated(colnames(df)) & !duplicated(colnames(df), fromLast = TRUE)])

编辑

我不知道duplicate 函数将第一次出现的重复名称标记为FALSE。我发现这个post 有助于调试我的答案，这样第一次出现的重复列就不会包含在最终数据集中。

编辑 2

在实践中使用此代码，我发现正则表达式搜索对作为彼此子集的列求和。例如，如果有名为 OTU_3、OTU_35 和 OTU_301 的列，则所有名为 OTU_35 的列将被折叠和求和，所有名为 OTU_301 的列将被折叠和求和，但 OTU_3 将是名为 OTU_3、OTU_35 和OTU_301。将正则表达式从 x 更改为 paste(x, "$", sep="") 可解决此问题。美元符号表示 x 之后不应该有任何其他字符才能成功匹配。