在 R 数据框中有条件地在重复/一式三份集中选择一个答案

【问题标题】：Choose one in a duplicate/triplicate set conditionally in R data frame在 R 数据框中有条件地在重复/一式三份集中选择一个
【发布时间】：2016-02-24 14:17:05
【问题描述】：

我有一个大约有一个数据框。 500k 行（遗传标记）。一些标记具有相同的 CHR 和 STOP 值（重复/三次），但所有行都有唯一的 SNP 字段。我想识别重复标记（基于 CHR 和 STOP 字段），然后选择具有最低 F_MISS 值（最后一个字段）的标记（通过 SNP）。我通过多次循环数据框使其工作（识别重复项-> 子集-> 按 F_MISS 排序后报告第一行），但这非常耗时。我正在寻找一种更快的方法来实现同样的目标。下面的示例（由于 F_MISS 较低，请参阅 rs53565463 应优先于 1KG_10_12259383 的重复项的两条底线）。请注意，列表中也有一些一式三份。

SNP               CHR  START  STOP    F_MISS
1KG_10_101715768  4      0 101715769  0.000e+00
1KG_10_102584498  5      0 102584499  4.967e-05
1KG_10_105796247  6      0 105796248  0.000e+00
1KG_10_1066786    2      0   1066787  9.935e-05
1KG_10_115662307  3      0 115662308  0.000e+00
1KG_10_12259383   10     0  12259384  7.100e-02
rs53565463        10     0  12259384  4.967e-05
...

编辑：

根据要求，预期输出是（注意输出缺少第 1KG_10_12259383 行，因为 F_MISS 较低，首选 rs53565463）：

SNP               CHR  START  STOP    F_MISS
1KG_10_101715768  4      0 101715769  0.000e+00
1KG_10_102584498  5      0 102584499  4.967e-05
1KG_10_105796247  6      0 105796248  0.000e+00
1KG_10_1066786    2      0   1066787  9.935e-05
1KG_10_115662307  3      0 115662308  0.000e+00
rs53565463        10     0  12259384  4.967e-05
...

【问题讨论】：

你能发布你现有的循环吗？
请添加此示例的预期输出

标签： r dataframe duplicates

【解决方案1】：

假设你的数据框是test:

test <- test[order(test$CHR,test$STOP,test$F_MISS),]
test <- test[!duplicated(test[c("CHR","STOP")]),]

第一部分对数据帧进行排序，使得每组 CHR 和 STOP 的第一条记录将是最低的 F_MISS 值。接下来删除与第一次遇到的 CHR 和 STOP 组合重复的所有行。

这其中耗费大量时间的可能是订购。如果您发现速度是个问题，您可以考虑使用data.table 包来处理数据。

【讨论】：

谢谢，这既快又按预期工作。即使没有 data.table，排序也只需几秒钟。

【解决方案2】：

使用dplyr 假设您的数据在df：

res <- df %>% arrange(F_MISS) %>% filter(!duplicated(CHR, STOP))

【讨论】：