多次计算具有相同分组因子的组均值

Question

我有基因数据。它相当大，大约有 17 000 个遗传标记 (SNP) 和 700 个个体。这些 SNP 可以分配给创始人。 现在我想计算每个“创始人段”的平均概率。一个片段被定义为分配给一个创始人不间断的染色体的一部分。

在下面的示例中，我将有 3 个段。
最后，我想知道一个片段内所有 SNP 的平均概率。

Chromosome SNP Founder Probability
 1       1     7      0.6 
 1       2     7      0.5 
 1       3     7      0.7 
 1       4     2      0.5 
 1       5     2      0.8 
 1       6     7      0.6 
 1       7     7      0.5   

我可以轻松地与dplyr 分组，但我不希望创始人 7 的第一段与创始人 7 的另一段一起。

所以我想要什么：

Chromosome SNP Founder Probability Average
 1       1     7      0.6        0.6
 1       2     7      0.5        0.6
 1       3     7      0.7        0.6
 1       4     2      0.5        0.65
 1       5     2      0.8        0.65
 1       6     7      0.6        0.55
 1       7     7      0.5        0.55

当多次使用相同的分组因子时，如何计算组均值？

Answer 1

使用dplyr，我们可以比较'Founder'的相邻元素，与'Chromosome'一起创建一个分组变量，然后得到'Probability'的mean

library(dplyr)
library(data.table)
df1 %>%
  group_by(Chromosome, grp1 =  cumsum(Founder!=lag(Founder, default = Founder[n()]))) %>%
  mutate(Average = mean(Probability))
# Chromosome   SNP Founder Probability  grp1 Average
#       <int> <int>   <int>       <dbl> <int>   <dbl>
#1          1     1       7         0.6     0    0.60
#2          1     2       7         0.5     0    0.60
#3          1     3       7         0.7     0    0.60
#4          1     4       2         0.5     1    0.65
#5          1     5       2         0.8     1    0.65
#6          1     6       7         0.6     2    0.55
#7          1     7       7         0.5     2    0.55

---

或者使用data.table，我们将“data.frame”转换为“data.table”（setDT(df1)），按“Founder”的“Chromome”和run-length-type id（rleid）分组，我们将（:=）“概率”的mean 分配为“平均”列。

library(data.table)
setDT(df1)[, Average := mean(Probability) , .(Chromosome, grp1 = rleid(Founder))]