基于多个约束过滤 R data.frame

Question

所以我还是 R 的新手，我一直在寻找如何根据多个约束和计算过滤数据帧，以便它返回一个新的数据帧。我环顾四周，我知道如何使用%in% 进行过滤，并且我已经使用过很多次了，但是我正在寻找一些关于过滤数据集的建议，使其超出可以使用该语法的一两个约束。

我有一个包含 78,812 行的数据框。在PeakName 列中，我的标识符指向我的数据中的“峰值”。只有 13,000 个峰值，因此每个峰值通常在数据框中出现几次。对于每个唯一的 PeakName，有多个 motifs 与它们相关联的不同 PValue 分数。每个主题还有一个start 和一个stop 位置。

我的目标是创建一个新的数据框，其中：

1. 对于每个 PeakName，我找到具有最低 PValue 的 motif 并将其添加到新数据帧中
2. 使用图案的start 和stop 位置，我发现是否有任何图案与刚刚添加到新数据框中的图案重叠。如果有，我会删除这些作为添加到新数据框的可能性。
3. 如果此PeakName 有任何剩余motifs，我返回步骤1，并重复此过程直到没有更多可能的motifs。
4. 注意：如果有两个等于 PValue 的峰，而这个值是当前的最低值，我会选择“主要”主题之一，而不是“次要”主题之一。

示例（简化）数据：

Motif      Start   Stop    PValue     PeakName
Primary    4       10      5          Peak1
Primary    5       11      4          Peak1
Secondary  12      18      8          Peak1
Secondary  8       16      6          Peak1
Primary    12      18      9          Peak1
Secondary  3       9       7          Peak2
Primary    5       11      7          Peak2

上述数据的期望输出：

Motif      Start   Stop    PValue     PeakName
Primary    5       11      4          Peak1
Secondary  12      18      8          Peak1
Primary    5       11      7          Peak2

任何建议都将不胜感激，因为我一直对如何编写一些东西来做到这一点感到困惑，我认为这是一项相当简单的任务，但一直在逃避我。谢谢！

Answer 1

您可能需要进行一些清理以捕捉边缘情况，例如领带。注意使用“帮助”列来处理主要/次要主题选择：

df2 <- {}
for (peak in unique(df$PeakName)) {
    tmp <- subset(df, PeakName==peak)
    tmp$helper <- tmp$Pvalue + ifelse(tmp$Motif=="S", 0.1, 0)

    while (nrow(tmp) > 0) {
        ind <- which.min(tmp$helper)
        df2 <- rbind(df2, tmp[ind,])
        remove <- (tmp$Start >= tmp$Start[ind] & tmp$Start <= tmp$Stop[ind]) | (tmp$Stop >= tmp$Start[ind] & tmp$Stop <= tmp$Stop[ind])
        tmp <- tmp[!remove,]
    }
}