在 R 中折叠重复项，其中只有唯一的列值被连接答案

【问题标题】：Collapsing duplicates in R where only the unique column values get concatenated在 R 中折叠重复项，其中只有唯一的列值被连接
【发布时间】：2019-01-29 23:31:11
【问题描述】：

我需要折叠一个大表（V19 为 5M），在该表中我根据特定列 (V1) 删除重复项，如果唯一，则合并所有其他列的值（如果不是，则只报告一次结果）。

我从这里尝试了一些解决方案，但这些示例主要针对 2 个变量执行 - 我有 19 个。最终发生的情况是，表的整个其余部分都合并到一个数字列表列中。

输入：

V1         V2         V3         V4         V5         V6
TR1000     chr1       1000       1200       A          + 
TR1000     chr1       1000       1200       B          + 
TR1000     chr1       1000       1200       C          +  
TR2000     chr2       2000       2500       D          +   
TR2000     chr2       2000       2500       E          + 
TR3000     chr3       3000       3500       F          +

我需要：

V1         V2         V3         V4         V5         V6
TR1000     chr1       1000       1200       A, B, C    + 
TR2000     chr2       2000       2500       D, E       +  
TR3000     chr3       3000       3500       F          +

【问题讨论】：

aggregate(.~V1,df,unique) 或者更确切地说是aggregate(.~V1,df,function(x)toString(unique(x)))。如果你得到的是数字而不是值，那只是因为你有因素，所以使用选项 stringAsFactors=FALSE 或执行 df = rapply(df,as.character,'factor',how='replace') 或使用 dplyr 中的 groupby +summarize 重新读取数据
欢迎来到 SO。请edit您的问题并展示您到目前为止所做的尝试。特别是，显示导致“表的整个其余部分组合在一个数字列表列中”的代码。谢谢。
请澄清你的问题是从 2 到 19 个变量。示例数据集只有一列 V5 需要折叠。对于每个V1，所有其他列都有唯一值。这可能会刺激那些只是聚合/折叠V5的答案。
我已经制作了一张代表我实际使用的表格的表格。放入实际表格并不是最佳选择，因为它相当大并且包含复杂的术语。也就是说，@www 给了我一个完美的建议！

标签： r dataframe aggregate

【解决方案1】：

使用dplyr 的解决方案。

library(dplyr)

dat2 <- dat %>%
  group_by_at(vars(-V5)) %>%
  summarize(V5 = toString(V5)) %>%
  ungroup() %>%
  select(names(dat))
dat2
# # A tibble: 3 x 6
#   V1     V2       V3    V4 V5      V6   
#   <chr>  <chr> <int> <int> <chr>   <chr>
# 1 TR1000 chr1   1000  1200 A, B, C +    
# 2 TR2000 chr2   2000  2500 D, E    +    
# 3 TR3000 chr3   3000  3500 F       +

数据

dat <- read.table(text = "V1         V2         V3         V4         V5         V6
TR1000     chr1       1000       1200       A          + 
TR1000     chr1       1000       1200       B          + 
TR1000     chr1       1000       1200       C          +  
TR2000     chr2       2000       2500       D          +   
TR2000     chr2       2000       2500       E          + 
TR3000     chr3       3000       3500       F          +  ",
                  header = TRUE, stringsAsFactors = FALSE)

【讨论】：

【解决方案2】：

data.table 选项：

library(data.table)
setDT(dat)
byCols <- setdiff(names(dat), "V5")
dat[, .(v5 = toString(V5)),  by = byCols]

       V1   V2   V3   V4 V6      v5
1: TR1000 chr1 1000 1200  + A, B, C
2: TR2000 chr2 2000 2500  +    D, E
3: TR3000 chr3 3000 3500  +       F

【讨论】：