在 R 中生成组（家庭）

Question

我有以下类型的数据：

Person <- c("A",  "B", "C",  "D",  "E",  "E",  "F",  "G", "H", "I")
MOM <- c(   NA,   NA,   NA,  "A",  "A",   NA,  "A",  "B", "C", NA)
DAD <- c(   NA,   NA,   NA,  "B",  "B",   NA,  "E",  "A", "B", NA)
Xv <- 1:10
myd <- data.frame (Person, MOM, DAD, Xv, stringsAsFactors=F)
myd 
       Person  MOM  DAD Xv
1       A <NA> <NA>  1
2       B <NA> <NA>  2
3       C <NA> <NA>  3
4       D    A    B  4
5       E    A    B  5
6       E <NA> <NA>  6
7       F    A    E  7
8       G    B    A  8
9       H    C    B  9
10      I <NA> <NA> 10

此数据包括 Person 及其 Mom 和 Dad 列。我想为此数据创建家庭组。 NA 是信息缺失。定义了一个具有共同 MOM 和 DAD 的家庭。创始人是那些同时拥有 NA, family = 0 的人。

这是我能想到的，这对我来说并不完美：

fun <- function(i) {
  i1 <- if (is.na(myd[i, 2])) i else match(myd[i, 2], myd[1:i, 2])
  i2 <- if (is.na(myd[i, 3])) i else match(myd[i, 3], myd[1:i, 3])
  min(i1, i2)
}
myd$family <- as.numeric(factor(sapply(1:nrow(myd), fun)))
  Person  MOM  DAD Xv family
1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      2
3       C <NA> <NA>  3      3
4       D    A    B  4      4
5       E    A    B  5      4
6       E <NA> <NA>  6      5
7       F    A    E  7      4
8       G    B    A  8      6
9       H    C    B  9      4
10      I <NA> <NA> 10      7

上述功能在某种意义上是不完善的： 家庭数据不包括其父母的数据，例如家庭 4 应包括 A 和 B 的数据。因此完整的家庭看起来像：

1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      2
4       D    A    B  4      4
5       E    A    B  5      4

另一件事（至少对我来说是这样），作为 DAD = A 和 MOM = B 与 DAD = B 和 MOM = A 相同。因此家庭 4 和 6 是相同的 A 和 B 父母的产物，所以应该 相同的。

4       D    A    B  4      4
5       E    A    B  5      4
8       G    B    A  8      6

因此预期的输出是：

Person  MOM  DAD Xv     family
# founders 
1       A <NA> <NA>  1      0
2       B <NA> <NA>  2      0
3       C <NA> <NA>  3      0
10      I <NA> <NA> 10      0
6       E <NA> <NA>  6      0
# Family 1
1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      1
4       D    A    B  4      1
5       E    A    B  5      1
8       G    B    A  8      1
# Family 2
1       A <NA> <NA>  1      2
6       E <NA> <NA>  6      2
7       F    A    E  7      2
# Family 3
2       B <NA> <NA>  2      3
3       C <NA> <NA>  3      3
9       H    C    B  9      3

编辑：

遗憾的是（好！）在人类遗传学中，我们需要处理类似的变量——家庭、三人组、妈妈（父母 1、母亲、女性）、父亲（父亲、父母 2、男性）、个体/主体等。这使得一切相似和问题都相似。

  Family vs Trio 
  1 Nuclear family 
  A  x   B
      |
   C   D  E

  Trio -> 3 trios  
  A x B      A x B       A x B
     |         |            |
     C          D           E  

提问者的修改：我同意下面的cmets作为作业，请不要回答问题一段时间（你认为足够好的时间已经过去了作业提交时间）。如果我得到答案，我会在稍后（3 个月左右）发布。

编辑

创始人定义 - 父母双方都不知道自己是否是儿子/女儿的人，因此他们在 MOM 和 DAD 列中都有。这些被认为是家庭 0，因为它们是其他家庭的一部分，但该列表不是真正的家庭。

 Person  MOM  DAD Xv     family
    1       A <NA> <NA>  1      0
    2       B <NA> <NA>  2      0
    3       C <NA> <NA>  3      0
    10      I <NA> <NA> 10      0
    6       E <NA> <NA>  6      0

** 家庭定义* 一个家庭由父母（妈妈和爸爸）以及所有的儿子和女儿组成。如果 Person DAD and MOM 与另一个人 DAD 和 MOM 匹配，则应将其视为一个家庭。例如，以下列表中的 D 和 E 人有 MOM = A 和 DAD = B，这两个人与 D 和 E 一起组成了一个家庭。现在我们需要从创始人列表（家庭 0）中回收他们父母（A 和 B）的数据。

 # Family 1
        Person  MOM  DAD     Xv     family
    1       A <NA> <NA>  1      1
    2       B <NA> <NA>  2      1
    4       D    A    B  4      1
    5       E    A    B  5      1

另外，与这里的人类情况相反，一个人可以是 MOM 或 DAD（可以转换性别），因此 A (MOM) 和 B (DAD) 产生的后代与 B (MOM) 和 A 产生的后代相同(DAD)，因此我们需要将以下个人添加到家庭 1 列表中。

       Person  MOM   DAD     Xv     family
   8       G       B    A       8      1

因此家庭 1 的完整列表变为：

     Person  MOM   DAD Xv     family
1       A <NA> <NA>  1      1
2       B <NA> <NA>  2      1
4       D    A    B  4      1
5       E    A    B  5      1
8       G    B    A  8      1

家庭 1 可以用图解表示为：

            MOM   x   DAD             MOM   x   DAD
              A  |   B        or       B  |     A 
            -----------------          ------
           |                 |           |
           D                 E           G

这里是部分解决方案：

myd1 <- data.frame(myd$DAD, myd$MOM) 
myd$family<-as.factor(apply(myd1,1,function(x){paste(x[order(x)],collapse='-')}))
   Person  MOM  DAD Xv family
1       A <NA> <NA>  1  NA-NA
2       B <NA> <NA>  2  NA-NA
3       C <NA> <NA>  3  NA-NA
4       D    A    B  4    A-B
5       E    A    B  5    A-B
6       E <NA> <NA>  6  NA-NA
7       F    A    E  7    A-E
8       G    B    A  8    A-B
9       H    C    B  9    B-C
10      I <NA> <NA> 10  NA-NA

它没有给出家族编号，而是 A 和 B 的家族。NA-NA 是创始人，它在崩溃之前下令，因此 A-B 变为 B-A。

剩下的问题是 A-B 家庭需要从人 A 和 B 回收的数据（尽管他们在家庭 NA-NA 组中）。

  Person  MOM  DAD Xv family
1       A <NA> <NA>  1  NA-NA
2       B <NA> <NA>  2  NA-NA
4       D    A    B  4    A-B
5       E    A    B  5    A-B

Answer 1

我不确定你是否已经解决了这个问题，但这里有一个解决方案。

首先，您的数据：

# Your data
myd <- data.frame(Person = c("A", "B", "C", "D", "E", 
                             "E", "F", "G", "H", "I"),
                  MOM = c(NA, NA, NA, "A", "A", NA, "A", "B", "C", NA),
                  DAD = c(NA, NA, NA, "B", "B", NA, "E", "A", "B", NA),
                  Xv = 1:10, stringsAsFactors=F)

其次，我们通过将原始数据中的第 2 列和第 3 列合并在一起来识别这些族。我们会用这个把split你的data.frame放到一个列表中。

# Identifying the families
fam = apply(myd[2:3], 1, function(x) paste0(sort(x), collapse=" "))

第三，我们将data.frame 拆分为一个列表。在这种情况下，我们最终得到一个包含四个 data.frames 的列表：一个用于创始人，一个用于每个家庭。

# Splitting the data by founders and families
temp_1 = split(myd, fam)
names(temp_1)[1] = "Founders"

第四，我们做一些简单的匹配和子集来识别哪些创始人属于哪些家族。

# Identify which families the founders belong to
temp_2 = lapply(1:length(temp_1),
                function(x) temp_1[[1]][which(temp_1[[1]]$Person %in% 
                  unique(unlist(temp_1[[x]][,c(2,3)], use.names=FALSE))),])

最后，我们rbind 将这些数据放在一起。

# "Merging" (with rbind) founders and their families
OUT = lapply(1:length(temp_1), function(x) rbind(temp_2[[x]], temp_1[[x]]))
names(OUT) = names(temp_1)

这是输出：

OUT
# $Founders
#    Person  MOM  DAD Xv
# 1       A <NA> <NA>  1
# 2       B <NA> <NA>  2
# 3       C <NA> <NA>  3
# 6       E <NA> <NA>  6
# 10      I <NA> <NA> 10
# 
# $`A B`
#   Person  MOM  DAD Xv
# 1      A <NA> <NA>  1
# 2      B <NA> <NA>  2
# 4      D    A    B  4
# 5      E    A    B  5
# 8      G    B    A  8
# 
# $`A E`
#   Person  MOM  DAD Xv
# 1      A <NA> <NA>  1
# 6      E <NA> <NA>  6
# 7      F    A    E  7
# 
# $`B C`
#   Person  MOM  DAD Xv
# 2      B <NA> <NA>  2
# 3      C <NA> <NA>  3
# 9      H    C    B  9

更新：data.frame 输出

如果您更喜欢data.frame 而不是list，您可以在完成上述步骤后执行以下操作：

OUT = do.call("rbind", 
              lapply(1:length(OUT), 
                     function(x) cbind(OUT[[x]], fam = names(OUT[x]))))
OUT
#    Person  MOM  DAD Xv      fam
# 1       A <NA> <NA>  1 Founders
# 2       B <NA> <NA>  2 Founders
# 3       C <NA> <NA>  3 Founders
# 6       E <NA> <NA>  6 Founders
# 10      I <NA> <NA> 10 Founders
# 11      A <NA> <NA>  1      A B
# 21      B <NA> <NA>  2      A B
# 4       D    A    B  4      A B
# 5       E    A    B  5      A B
# 8       G    B    A  8      A B
# 12      A <NA> <NA>  1      A E
# 61      E <NA> <NA>  6      A E
# 7       F    A    E  7      A E
# 22      B <NA> <NA>  2      B C
# 31      C <NA> <NA>  3      B C
# 9       H    C    B  9      B C

Answer 2

如果您想要每个“家庭”的字符向量都相同，那么使用interaction 函数会更紧凑。大致如下：

myd$fam <- with( myd, as.character( interaction(MOM,DAD)))
myd$fam[ is.na(myd$fam) ] <- 0

如果您想要数字（这似乎不明智，但这就是您提出要求的方式），那么请使用 as.character 而不是 as.numeric

myd$fam <- with( myd, as.numeric( interaction(MOM,DAD)))
myd$fam[ is.na(myd$fam) ] <- 0

我从来没有想过如何让“A”同时代表妈妈和爸爸。您可能需要解释您如何理解人类遗传学的这一方面。家庭分割请使用split

> split(myd, myd$fam)
$`0`
   Person  MOM  DAD Xv fam
1       A <NA> <NA>  1   0
2       B <NA> <NA>  2   0
3       C <NA> <NA>  3   0
6       E <NA> <NA>  6   0
10      I <NA> <NA> 10   0

$`2`
  Person MOM DAD Xv fam
8      G   B   A  8   2

$`4`
  Person MOM DAD Xv fam
4      D   A   B  4   4
5      E   A   B  5   4

$`6`
  Person MOM DAD Xv fam
9      H   C   B  9   6

$`7`
  Person MOM DAD Xv fam
7      F   A   E  7   7