按行针对多subtype组用IQR去除deg矩阵异常值遇空行问题

问题描述 #

我有一个矩阵deg，需要将其列名与数据框clin.info的行名匹配，clin.info包含subtype列。我希望按每个subtype分组，对deg的每行数据用四分位距（IQR）去除异常值，但运行下方代码后没有返回任何行：

for (rows in 1:nrow(deg)){
  Q <- quantile(rows, probs=c(.25, .75), na.rm = FALSE)
  iqr <- IQR(rows)
  up <-  Q[2]+1.5*iqr # Upper Range  
  low<- Q[1]-1.5*iqr # Lower Range
  eliminated<- subset(deg, rows > (Q[1] - 1.5*iqr) & rows < (Q[2]+1.5*iqr))
}

输入数据 #

# clin.info 前5行
> dput(clin.info[,c("survival", "subtype")][1:5,])
structure(list(survival = c("lts", "lts", "lts", "lts", "lts"
), subtype = c("2a", "1a", "2a", "1a", "1a")), row.names = c("TCGA.Y8.A8S1.01", 
"TCGA.Y8.A8S0.01", "TCGA.Y8.A8RZ.01", "TCGA.Y8.A8RY.01", "TCGA.Y8.A897.01"
), class = "data.frame")

# deg 前5行5列
> dput(deg[1:5,1:5])
structure(c(493, 2498, 387, 1154.93, 362, 43800000, 152900000000, 60300000000, 194400000.56, 
5940000, 1270, 3300, 735, 2120.99, 971, 201, 1921, 227, 1246.66, 
411, 717, 2655, 624, 2049.36, 551), dim = c(5L, 5L), dimnames = list(
    c("ADAMTS13", "MST1", "TUBE1", "RPAIN", "NPHP1"), c("TCGA.2K.A9WE.01", 
    "TCGA.2Z.A9J1.01", "TCGA.2Z.A9J3.01", "TCGA.2Z.A9J5.01", 
    "TCGA.2Z.A9J6.01")))

预期输出 #

structure(c(493, 10000, 387, 1154.93, 1270, 3300, 735, 2120.99, 971, 201, 1921, 227, 1246.66, 
411, 717, 2655, 624, 2049.36, 551), dim = c(5L, 5L), dimnames = list(
    c("ADAMTS13", "MST1", "TUBE1", "RPAIN", "NPHP1"), c("TCGA.Y8.A8S1.01", 
    "TCGA.Y8.A8RZ.01", "TCGA.Y8.A8RY.01", 
    "TCGA.Y8.A897.01")))

问题分析 #

原代码存在3个核心错误：

• 循环变量使用错误：rows是行号（1、2、3...），不是deg的行数据，quantile(rows)计算的是行号的分位数，完全偏离需求；
• 未按subtype分组处理：完全没有利用clin.info的分组信息，没有实现“每个subtype组内去异常值”的逻辑；
• subset条件错误：用行号rows作为判断条件，而非该行的实际数据值，导致过滤逻辑完全失效。

解决方案 #

步骤1：对齐样本 #

先确保deg的列名和clin.info的行名匹配，取两者的交集样本：

# 获取共同样本名
common_samples <- intersect(colnames(deg), rownames(clin.info))
# 过滤矩阵和数据框
deg_filtered <- deg[, common_samples]
clin_filtered <- clin.info[common_samples, ]

步骤2：按subtype分组，每行去除异常值 #

定义一个函数，对每行数据按subtype分组计算IQR范围，过滤掉异常值（或标记为NA），再重组结果：

# 定义按组去除异常值的函数
remove_outliers_by_group <- function(row_data, groups) {
  # 按分组拆分数据
  grouped_data <- split(row_data, groups)
  # 对每个分组处理
  cleaned_data <- lapply(grouped_data, function(x) {
    q <- quantile(x, probs = c(0.25, 0.75), na.rm = TRUE)
    iqr_val <- IQR(x, na.rm = TRUE)
    lower <- q[1] - 1.5 * iqr_val
    upper <- q[2] + 1.5 * iqr_val
    # 保留非异常值，异常值设为NA（也可以直接删除，根据需求调整）
    x[x < lower | x > upper] <- NA
    return(x)
  })
  # 合并回原顺序
  unsplit(cleaned_data, groups)
}

# 对deg_filtered的每行应用函数
deg_cleaned <- t(apply(deg_filtered, 1, remove_outliers_by_group, groups = clin_filtered$subtype))

# 如果需要删除包含NA的行（根据需求选择）
# deg_cleaned <- deg_cleaned[complete.cases(deg_cleaned), ]

说明 #

• 上述代码会将每个subtype组内的异常值标记为NA，如果需要直接删除异常值对应的样本，可调整函数内的逻辑；
• 若你的需求是“保留非异常值的行”（即该行在所有分组中都没有异常值），可在最后用complete.cases()过滤；
• 预期输出中样本名和输入的deg样本不匹配，需确保你的原始数据中deg的列名确实包含clin.info的行名，否则common_samples会为空，需检查数据匹配情况。

内容的提问来源于stack exchange，提问作者Anon