R语言按数值差异≤10%分组拆分dataframe的tidy方案咨询

核心逻辑：先将数据集按Total_read降序排列，从最大数值开始构建分组，要求组内所有数值与组内最大值的差值不超过10%（即数值 ≥ 组最大值 * 0.9），不符合要求则开启新分组，最后拆分成分组列表。

完整tidy风格代码 #

首先加载tidyverse套件：

library(tidyverse)

示例数据构造：

data1 <- data.frame(Symbol=c("APEX1","APOC3","CCNA2","CDC42","CDK1","BRCA2","BSCL2","BUB1B","EEF2","EFEMP1","EGF","ATP5O","ATR"), Total_read=c(32546,32426,31854,31745,25879,25465,24759,24574,8769,8458,2546,875,850))

分组处理代码：

result_list <- data1 %>%
  # 按Total_read降序排列，保证每个组第一个元素是组内最大值
  arrange(desc(Total_read)) %>%
  # 动态生成组号
  mutate(
    group_id = cumsum(
      # 第一个元素默认开新组，后续元素小于当前组最大值的90%则开新组
      row_number() == 1 | Total_read < lag(cummax(Total_read), default = first(Total_read)) * 0.9
    )
  ) %>%
  # 按组号拆分得到列表，丢弃辅助列group_id
  group_split(group_id, .keep = FALSE)

结果验证 #

输出result_list可得到完全符合预期的5个子集，各组均满足差值要求：

• 第1组：Total_read范围31745~32546，组内最小值31745 ≥ 32546*0.9≈29291
• 第2组：Total_read范围24574~25879，组内最小值24574 ≥ 25879*0.9≈23291
• 第3组：Total_read范围8458~8769，组内最小值8458 ≥ 8769*0.9≈7892
• 第4组：仅单元素2546，自然符合要求
• 第5组：Total_read范围850~875，组内最小值850 ≥ 875*0.9=787.5

内容的提问来源于stack exchange，提问作者HR74