R数据框按chr分组：满足bp间距条件时行求平均列求和

你的核心需求是按chr分组，将组内碱基对位置（bp）相差在10000000（1e7）以内的相邻行聚合：对bp取平均值并取整，对其余数值列求和。原代码的问题在于分组逻辑错误，且误用了筛选（filter）而非聚合（summarize）操作。

正确实现代码 #

# 先构造示例数据（可替换为你的实际数据框）
library(tidyverse)
df <- tibble(
  chr = c(1,1,1,1,2,2,2,2),
  bp = c(143926410,144075771,187762696,187783844,121596288,122042325,259939985,259991389),
  instances_1 = c(0,1,0,2,0,3,1,0),
  instances_2 = c(1,0,2,0,1,0,0,1),
  instances_sum = c(1,1,2,2,1,3,1,1)
)

# 数据聚合处理
df_pruned <- df %>%
  group_by(chr) %>%
  # 生成分组ID：相邻行bp差超过1e7时，开启新分组
  mutate(
    grp = cumsum(if_else(row_number() == 1, 1, abs(bp - lag(bp)) > 1e7))
  ) %>%
  # 按chr+子分组聚合计算
  group_by(chr, grp, .add = FALSE) %>%
  summarize(
    bp = as.integer(mean(bp)),  # bp取平均后转整数
    instances_1 = sum(instances_1),
    instances_2 = sum(instances_2),
    instances_sum = sum(instances_sum),
    .groups = "drop"
  ) %>%
  select(-grp)  # 移除临时分组列

# 查看结果
df_pruned

代码解释 #

1. 分组逻辑修正：
   使用cumsum()生成子分组ID，第一行默认归为第1组；后续行若与上一行bp的差值超过1e7，则分组ID加1，确保相邻且符合距离条件的行被归为同一组。
2. 聚合操作：
   用summarize()替代原代码的filter()——filter是筛选原有行，而我们需要生成新的聚合行：对bp计算平均值并转整数，对其余列直接求和。
3. 清理临时列：最后移除用于分组的临时列grp，得到预期格式的结果。

原代码错误点说明 #

1. 分组标识错误：原代码生成的grp是布尔值，无法区分同一chr内的多个符合条件的子分组，会导致分组混乱。
2. 操作逻辑错误：filter(bp == mean(bp) & instances_sum == sum(instances_sum))完全不符合需求——原数据中没有任何一行的bp等于组内平均值，也没有行的instances_sum等于组内求和值，执行后会得到空数据框。

内容的提问来源于stack exchange，提问作者Melderon