选择包含列 ID 之间最大差异的唯一行答案

【问题标题】：select unique rows containing maximum difference between column IDs选择包含列 ID 之间最大差异的唯一行
【发布时间】：2021-10-20 09:09:09
【问题描述】：

我有大量具有多个相同行名的数据框，但每个数据框的特定列 ID 的值不同。我想提取两列 ID 差异最大的唯一行。

例如，这里是一个示例数据

    seqname             source           start  end Name    score
    chr08:37848-37905   PRINTS           24     37  AAA     1.40E-05
    chr08:37848-37905   PANTHER          1      57  AAA     1.10E-15
    chr08:37848-37905   SUPERFAMILY      3      57  AAA     6.80E-13
    chr08:37848-37905   Gene3D           1      57  AAA     6.40E-17
    chr05:55489-55514   Pfam             2      23  BBB     7.30E-07
    chr05:55489-55514   Gene3D           1      25  BBB     7.10E-07
    chr05:55489-55514   ProSiteProfiles  1      25  BBB     9.683545
    chr05:55489-55514   SUPERFAMILY      2      24  BBB     1.23E-06

我想获取具有最小 start 和最大 end 值的唯一行的所有列。输出看起来像

seqname             source           start  end   Name    score
chr08:37848-37905   Gene3D           1      57    AAA     6.40E-17
chr05:55489-55514   Gene3D           1      25    BBB    7.10E-07

group_by 结果仅适用于选定的汇总 ID，但我无法确定保留具有这些选定值的行

     data %>% dplyr::group_by(seqname) %>% 
        summarize(start=min(start), end=max(end))

感谢您的帮助。

【问题讨论】：

在您的示例中 - 为什么第一组选择 Gene3D 而不是 PANTHER？它们的开始值和结束值是否相同？
在第一组中，Gene3D 显示的得分最低，这是它出现的 p 值，是我感兴趣的。

标签： r dataframe matrix tidyverse

【解决方案1】：

你很接近 - 你只需要使用filter 而不是summarize。像这样：

 data %>% dplyr::group_by(seqname) %>% 
    filter(start==min(start), end==max(end))

这假定对于每个seqname，恰好有一行同时具有最小开始和最大结束。如果超过一个，它们都将被退回。如果不同的行有最大值和最小值，那么它们都不会被返回。

如果您想要最小开始的行和最大结束的行，即使它们是不同的行，也可以将其用于过滤器

    summarize(start==min(start) | end==max(end))

【讨论】：

非常感谢，@John Paul。它工作得很好。我在过滤器函数中添加了 score==min(score) 以获取我正在寻找的最低值。