如何在R语言中实现基于标准差筛选行的操作？

需求说明 #

筛选处于第一、第二、第三标准差范围内或之外的数据行，这里的标准差范围基于所有数据行的标准差统计值定义。

模拟数据集 #

先生成用于测试的模拟数据矩阵：

nr1 = 4; nr2 = 8; nr3 = 6; nr = nr1 + nr2 + nr3
nc1 = 6; nc2 = 8; nc3 = 10; nc = nc1 + nc2 + nc3
mat = cbind(rbind(matrix(rnorm(nr1*nc1, mean = 1,   sd = 0.5), nr = nr1),
          matrix(rnorm(nr2*nc1, mean = 0,   sd = 0.5), nr = nr2),
          matrix(rnorm(nr3*nc1, mean = 0,   sd = 0.5), nr = nr3)),
    rbind(matrix(rnorm(nr1*nc2, mean = 0,   sd = 0.5), nr = nr1),
          matrix(rnorm(nr2*nc2, mean = 1,   sd = 0.5), nr = nr2),
          matrix(rnorm(nr3*nc2, mean = 0,   sd = 0.5), nr = nr3)),
    rbind(matrix(rnorm(nr1*nc3, mean = 0.5, sd = 0.5), nr = nr1),
          matrix(rnorm(nr2*nc3, mean = 0.5, sd = 0.5), nr = nr2),
          matrix(rnorm(nr3*nc3, mean = 1,   sd = 0.5), nr = nr3))
   )
mat = mat[sample(nr, nr), sample(nc, nc)] # 随机打乱行和列
rownames(mat) = paste0("row", seq_len(nr))
colnames(mat) = paste0("column", seq_len(nc))

计算行标准差 #

原代码中m应为mat，修正后计算每行的标准差并存储：

library(tidyverse)

rld2 <- as.data.frame(mat) %>% rownames_to_column('gene')

bb <- rld2 %>% 
  rowwise() %>%
  do(data.frame(., rsds = sd(unlist(.[2:length(.)]))))

筛选实现方案 #

步骤1：计算行标准差的全局统计量 #

先基于所有行的标准差，计算其均值和全局标准差，作为区间划分的基准：

mean_rsds <- mean(bb$rsds)
sd_rsds <- sd(bb$rsds)

步骤2：按区间筛选数据 #

根据需求，可分别筛选处于不同标准差区间内或外的行：

第一标准差范围相关筛选

# 筛选处于第一标准差范围内的行（mean_rsds ± 1*sd_rsds）
bb_first_in <- bb %>% filter(rsds >= mean_rsds - sd_rsds & rsds <= mean_rsds + sd_rsds)

# 筛选处于第一标准差范围外的行
bb_first_out <- bb %>% filter(rsds < mean_rsds - sd_rsds | rsds > mean_rsds + sd_rsds)

第二标准差范围相关筛选

# 筛选处于第二标准差范围内的行（mean_rsds ± 2*sd_rsds）
bb_second_in <- bb %>% filter(rsds >= mean_rsds - 2*sd_rsds & rsds <= mean_rsds + 2*sd_rsds)

# 筛选处于第二标准差范围外的行
bb_second_out <- bb %>% filter(rsds < mean_rsds - 2*sd_rsds | rsds > mean_rsds + 2*sd_rsds)

第三标准差范围相关筛选

# 筛选处于第三标准差范围内的行（mean_rsds ± 3*sd_rsds）
bb_third_in <- bb %>% filter(rsds >= mean_rsds - 3*sd_rsds & rsds <= mean_rsds + 3*sd_rsds)

# 筛选处于第三标准差范围外的行
bb_third_out <- bb %>% filter(rsds < mean_rsds - 3*sd_rsds | rsds > mean_rsds + 3*sd_rsds)

补充：批量标记区间归属 #

如果需要给每行标记所属的区间类别，可使用case_when实现：

bb_with_label <- bb %>%
  mutate(
    sd_interval = case_when(
      rsds < mean_rsds - 3*sd_rsds | rsds > mean_rsds + 3*sd_rsds ~ "Outside 3σ",
      rsds < mean_rsds - 2*sd_rsds | rsds > mean_rsds + 2*sd_rsds ~ "Outside 2σ (Inside 3σ)",
      rsds < mean_rsds - sd_rsds | rsds > mean_rsds + sd_rsds ~ "Outside 1σ (Inside 2σ)",
      TRUE ~ "Inside 1σ"
    )
  )

内容的提问来源于stack exchange，提问作者PesKchan