如何针对样本数量不确定的R data.table按分组条件筛选行？

1. 原始数据准备 #

首先生成示例data.table：

set.seed(123666)
dt <- data.table(sample1 = sample(10), 
                 sample2 = sample(10),
                 sample3 = sample(10),
                 sample4 = sample(10), 
                 sample5 = sample(10),
                 sample6 = sample(10))

生成的dt内容如下：

sample1 sample2 sample3 sample4 sample5 sample6
 1:       2       6       3       9       1       2
 2:      10       9      10       3       7       5
 3:       6      10       8       5       5       1
 4:       8       2       9       8       6       6
 5:       5       4       5      10      10       8
 6:       7       1       7       4       4      10
 7:       4       3       1       6       3       7
 8:       1       5       6       1       2       3
 9:       3       7       2       2       8       9
10:       9       8       4       7       9       4

2. 固定分组场景的解法 #

假设前3个样本属于group_a，后3个属于group_b，需要筛选出每个分组中至少2个样本值大于2的行，固定分组下可以这样实现：

group_a <- paste0('sample', seq(1,3))
group_b <- paste0('sample', seq(4,6))

dt[rowSums(dt[, ..group_a, with = FALSE] > 2) >= 2 & rowSums(dt[, ..group_b, with = FALSE] > 2) >= 2]

运行结果：

sample1 sample2 sample3 sample4 sample5 sample6
1:      10       9      10       3       7       5
2:       6      10       8       5       5       1
3:       8       2       9       8       6       6
4:       5       4       5      10      10       8
5:       7       1       7       4       4      10
6:       4       3       1       6       3       7
7:       3       7       2       2       8       9
8:       9       8       4       7       9       4

3. 动态分组场景需求 #

当样本数量不确定时，我们有一个描述样本分组的变量：

group <- paste0('sample', seq(1,6))
group_id <- c(rep('group_a', 3), rep('group_b', 3))
names(group) <- group_id 

该变量的对应关系为：

group_a   group_a   group_a   group_b   group_b   group_b 
"sample1" "sample2" "sample3" "sample4" "sample5" "sample6"

需要用最简洁的data.table语法完成相同的筛选逻辑。

4. 动态分组的简洁解法 #

可以通过宽表转长表+分组统计+行级校验的链式操作实现，代码如下：

melt(dt, measure.vars = names(dt))[, 
  group_id := names(group)[match(variable, group)]
][, .(ok = sum(value > 2) >= 2), by = .(rn = rowid(variable), group_id)
][, all(ok), by = rn][V1 == TRUE, dt[rn]]

代码逻辑说明 #

1. melt(dt, measure.vars = names(dt))：将宽格式的dt转换为长格式，每行对应一个样本变量的取值；
2. group_id := names(group)[match(variable, group)]：通过match将每个样本变量映射到对应的分组ID；
3. [, .(ok = sum(value > 2) >= 2), by = .(rn = rowid(variable), group_id)]：按行号（rowid(variable)生成每行唯一标识）和分组统计，标记当前分组中值>2的数量是否≥2；
4. [, all(ok), by = rn]：按行号分组，检查该行所有分组是否都满足条件；
5. [V1 == TRUE, dt[rn]]：筛选出所有分组都满足条件的行号，提取原dt对应的行。

运行该代码后，得到的结果与固定分组场景的输出完全一致。

内容的提问来源于stack exchange，提问作者zhang