在R中移除单突变簇后调整并重命名cluster_id列数值的方法

可以用dplyr或者data.table包来实现需求，以下是两种常用方案：

方案一：使用dplyr包 #

# 先加载dplyr包（未安装请先运行 install.packages("dplyr")）
library(dplyr)

# 第一步：过滤掉每个样本下仅含1个突变的簇
filtered_data <- my_data %>%
  # 按样本ID和簇ID分组
  group_by(sample_id, cluster_id) %>%
  # 只保留组内突变数大于1的行
  filter(n() > 1) %>%
  # 取消分组
  ungroup()

# 第二步：对每个样本内的剩余簇重新编号
final_data <- filtered_data %>%
  # 按样本ID分组
  group_by(sample_id) %>%
  # 基于原簇ID的出现顺序生成连续编号（从0开始）
  mutate(cluster_id = match(cluster_id, unique(cluster_id)) - 1) %>%
  ungroup()

代码说明： #

• group_by(sample_id, cluster_id)：将数据按样本和对应的簇分组，方便统计每个簇的突变数量
• filter(n() > 1)：n()返回当前组的行数（即突变数），只保留突变数大于1的簇
• match(cluster_id, unique(cluster_id))：获取原簇ID在当前样本内的唯一出现顺序，减1是为了让编号从0开始，实现原簇3→2、原簇4→3这类递补效果

方案二：使用data.table包 #

如果处理的是大数据集，data.table的运行效率更高：

# 加载data.table包（未安装请先运行 install.packages("data.table")）
library(data.table)

# 将数据框转换为data.table格式
setDT(my_data)

# 第一步：过滤掉单突变簇
filtered_data <- my_data[, if (.N > 1) .SD, by = .(sample_id, cluster_id)]

# 第二步：重新编号簇ID
filtered_data[, cluster_id := match(cluster_id, unique(cluster_id)) - 1, by = sample_id]

代码说明： #

• .N是data.table内置变量，代表当前分组的行数
• .SD表示当前分组的所有列数据，if (.N >1) .SD即保留突变数大于1的分组数据
• 后续编号逻辑和dplyr方案一致，通过match和unique生成连续的簇ID

内容的提问来源于stack exchange，提问作者anna1335