基于数据框定义生物样本重复并计算统计量的方法问询

原始数据 #

你的数据框结构如下：

NAME VAL_1 VAL_2
Natural 2937,5  4082,5
Natural 3128    5347,5
Sus1    6176    7735,5
Sus1    8221    13793
Sus2    40961   68087
Sus2    6686    91341

需求是：按NAME列的相同值识别生物重复组，为每组计算均值并添加到新列，最终得到类似如下的结果：

| NAME    | VAL_1  | AVERAGE_1 | VAL_2 | AVERAGE_2 |
| Natural | 2937,5 | 3032,7 | 4082,5 | 4715,0 |
| Natural | 3128,0 | 3032,7 | 5347,5 | 4715,0 |

问题解答 #

1. 正则匹配是不是定义重复组的最优方法？ #

绝对不是。原因有两点：

• 误匹配风险：你用^Natural的正则会匹配所有以Natural开头的字符串（比如Natural1），完全违背了“只有NAME完全相同才是重复组”的逻辑；
• 扩展性差：如果NAME列有大量不同分组，你需要为每个分组写一条正则，操作繁琐且极易出错。

2. 替代方法：按NAME精确分组计算均值 #

核心思路是按NAME列的精确值分组，再将组内均值映射到每一行，以下是两种主流数据分析工具的实现：

方法一：R语言（dplyr或基础R）

首先需要处理数据格式：原数据中的逗号是小数点分隔符，需先转换为数值类型，再计算均值。

用dplyr实现（推荐）

# 读取数据
df <- read.table(text = "NAME VAL_1 VAL_2
Natural 2937,5  4082,5
Natural 3128    5347,5
Sus1    6176    7735,5
Sus1    8221    13793
Sus2    40961   68087
Sus2    6686    91341", header = TRUE, stringsAsFactors = FALSE)

# 转换逗号为小数点，转为数值类型
df$VAL_1 <- as.numeric(gsub(",", ".", df$VAL_1))
df$VAL_2 <- as.numeric(gsub(",", ".", df$VAL_2))

# 分组计算均值并添加新列
library(dplyr)
df_result <- df %>%
  group_by(NAME) %>%
  mutate(
    AVERAGE_1 = mean(VAL_1),
    AVERAGE_2 = mean(VAL_2)
  ) %>%
  ungroup()

# 可选：将小数点转回逗号，匹配原数据格式
df_result <- df_result %>%
  mutate(
    across(c(VAL_1, VAL_2, AVERAGE_1, AVERAGE_2), 
           ~ sprintf("%.1f", .) %>% gsub("\\.", ",", .))
  )

用基础R的ave函数实现

# 先完成数值转换（同上）
df$VAL_1 <- as.numeric(gsub(",", ".", df$VAL_1))
df$VAL_2 <- as.numeric(gsub(",", ".", df$VAL_2))

# 直接添加均值列
df$AVERAGE_1 <- ave(df$VAL_1, df$NAME, FUN = mean)
df$AVERAGE_2 <- ave(df$VAL_2, df$NAME, FUN = mean)

# 可选：转回逗号格式
df[ , c("VAL_1", "VAL_2", "AVERAGE_1", "AVERAGE_2")] <- lapply(
  df[ , c("VAL_1", "VAL_2", "AVERAGE_1", "AVERAGE_2")],
  function(x) sprintf("%.1f", x) %>% gsub("\\.", ",", .)
)

方法二：Python（pandas）

import pandas as pd

# 读取数据
df = pd.read_table(
    text="NAME VAL_1 VAL_2\nNatural 2937,5  4082,5\nNatural 3128    5347,5\nSus1    6176    7735,5\nSus1    8221    13793\nSus2    40961   68087\nSus2    6686    91341",
    sep="\\s+"
)

# 转换逗号为小数点，转为数值类型
df[["VAL_1", "VAL_2"]] = df[["VAL_1", "VAL_2"]].replace(",", ".", regex=True).astype(float)

# 分组计算均值并添加新列
df[["AVERAGE_1", "AVERAGE_2"]] = df.groupby("NAME")[["VAL_1", "VAL_2"]].transform("mean")

# 可选：转回逗号格式
df[["VAL_1", "VAL_2", "AVERAGE_1", "AVERAGE_2"]] = df[["VAL_1", "VAL_2", "AVERAGE_1", "AVERAGE_2"]].applymap(
    lambda x: "{:.1f}".format(x).replace(".", ",")
)

内容的提问来源于stack exchange，提问作者Someone_1313