如何根據 R 中數據框中的某些列和行信息刪除唯一行

Question

我有一個包含染色體坐標、峰相交和其他相關信息的數據框，共有 127,471 行和 11 列（下面的簡表）。

UnionChr	聯合啟動	聯合端	IntersectChr	相交開始	相交結束	相交名稱	重疊	基因型
chr1	3657227	3658092	.	-1	-1	.	0	重量
chr1	3657227	3658092	chr1	3657227	3658092	dko_k27_peak_1	865	DKO
chr1	3658443	3664519	chr1	3658443	3662838	wt_k27_peak_1	4395	重量
chr1	3658443	3664519	chr1	3663340	3664519	wt_k27_peak_2	1179	重量
chr1	3658443	3664519	chr1	3658833	3664156	dko_k27_peak_2	5323	DKO
chr1	3665636	3666032	chr1	3665705	3666032	wt_k27_peak_3	327	重量
chr1	3665636	3666032	chr1	3665636	3665919	dko_k27_peak_3	283	DKO
chr1	4468858	4469245	chr1	4468858	4469245	wt_k27_peak_4	387	重量
chr1	4468858	4469245	.	-1	-1	.	0	DKO
chr1	4472410	4473380	.	-1	-1	.	0	重量
chr1	4472410	4473380	chr1	4472410	4473380	dko_k27_peak_4	970	DKO

我想刪除任何具有唯一峰值相交的行。 唯一相交是與下一行具有相同 UnionChr、UnionStart 和 UnionEnd 位置的行，但其中一行的 Overlap 值為 0。例如，第 1 行和第 2 行、第 8 行和第 9 行以及第 10 和 11 行是示例我想要刪除的唯一峰值相交的行。 我想保留所有其他行。 在這種情況下，第 3-7 行。

我很難找到消除唯一行的方法。 我已經嘗試使用重復（）和唯一（）進行子集，for循環。 我知道這在 python 中會更容易，但我不知道 python，我只需要這樣做一次。

謝謝！ 下面是制作數據框的代碼：

df <- data.frame(UnionChr=c("chr1", "chr1", "chr1", "chr1", "chr1", "chr1", "chr1", "chr1", "chr1", "chr1", "chr1"), 
                  UnionStart = c(3657227, 3657227, 3658443, 3658443, 3658443, 3665636, 3665636, 4468858, 4468858, 4472410, 4472410), 
                  UnionEnd = c(3658092, 3658092, 3664519, 3664519, 3664519, 3666032, 3666032, 4469245, 4469245, 4473380, 4473380), 
                  IntersectChr = c("." , "chr1", "chr1", "chr1", "chr1", "chr1", "chr1", "chr1", ".",  ".", "chr1"), 
                  IntersectStart = c(-1, 3657227, 3658443, 3663340, 3658833, 3665705, 3665636, 4468858, -1 , -1, 4472410), 
                  IntersectEnd = c( -1, 3658092, 3662838, 3664519, 3664156, 3666032, 3665919, 4469245, -1, -1, 4473380), 
                  IntersectName = c(".", "dko_k27_peak_1", "wt_k27_peak_1", "wt_k27_peak_2",  "dko_k27_peak_2", "wt_k27_peak_3", "dko_k27_peak_3", "wt_k27_peak_4",  ".", ".", "dko_k27_peak_4"), 
                  Overlap = c(0, 865, 4395, 1179, 5323, 327, 283, 387, 0, 0, 970), 
                  Genotype = c("WT", "DKO", "WT", "WT", "DKO", "WT", "DKO", "WT", "DKO", "WT", "DKO"))

Answer 1

如果您想與下面的行和上面的行（您的示例建議）進行比較，我認為您正在尋找這樣的東西。 您的描述有點模糊，所以請確認這是在做您認為應該做的事情。

我沒有建立一個很長的過濾條件，而是分幾步將其分解。 這更具可讀性，您可以查看這些新列以檢查過濾條件的每個部分，以確保它符合您的預期。

library(dplyr)    

filtered_df <- df %>% 
  group_by(UnionChr) %>% 
  mutate(
    same_start = UnionStart == lead(UnionStart) | UnionStart == lag(UnionStart),
    same_end   = UnionEnd   == lead(UnionEnd)   | UnionEnd   == lag(UnionEnd),
    zero_overlap = (Overlap == 0 | lead(Overlap == 0) | lag(Overlap == 0)),
    combined = !(same_start & same_end & zero_overlap)
  ) %>% 
  filter(combined) %>% 
  select(-(same_start:combined))

結果：

 # A tibble: 5 × 9 # Groups: UnionChr [1] UnionChr UnionStart UnionEnd IntersectChr IntersectStart IntersectEnd IntersectName Overlap <chr> <dbl> <dbl> <chr> <dbl> <dbl> <chr> <dbl> 1 chr1 3658443 3664519 chr1 3658443 3662838 wt_k27_peak_1 4395 2 chr1 3658443 3664519 chr1 3663340 3664519 wt_k27_peak_2 1179 3 chr1 3658443 3664519 chr1 3658833 3664156 dko_k27_peak_2 5323 4 chr1 3665636 3666032 chr1 3665705 3666032 wt_k27_peak_3 327 5 chr1 3665636 3666032 chr1 3665636 3665919 dko_k27_peak_3 283 # … with 1 more variable: Genotype <chr>

---

編輯：

根據您的評論，我認為這實際上更容易。 找到具有相同Union*變量的行組，然后檢查該組中是否有任何Overlap為 0。如果是，則扔掉整個組。

df %>% 
  group_by(UnionChr, UnionStart, UnionEnd) %>% 
  filter(!any(Overlap == 0))