R语言数据处理：基于值逐个子分组筛选数据框行的问题

看起来你需要按gene分组后，基于val值来筛选行对吧？下面我用几种常用的方法帮你实现，涵盖不同的筛选需求，代码都是基于你提供的可复现数据来写的：

首先先确认你的数据可以正常生成：

signal1 <- c(rep(1:6))
signal2 <- c(rep(7:12))
signal3 <- c(rep(13:18))
signal4 <- c(rep(19:24))
val <- c(2.5,3.2,2.9,0.1,0.4,4.1)
gene <- c('ABC','ABC','ABC','DEF','DEF','DEF')
df <- data.frame(signal1,signal2,signal3,signal4,gene,val)

推荐用dplyr处理分组筛选 #

dplyr是R中处理分组数据最顺手的工具之一，语法清晰易读。先安装并加载它：

# 未安装过的话先运行这行
install.packages("dplyr")
library(dplyr)

场景1：每个gene组中筛选val最大的行

如果你想每个基因只保留val值最高的那一行：

df_max <- df %>%
  group_by(gene) %>%
  filter(val == max(val)) %>%
  ungroup()

print(df_max)

输出结果：

# A tibble: 2 × 6
  signal1 signal2 signal3 signal4 gene    val
    <int>   <int>   <int>   <int> <chr> <dbl>
1       2       8      14      20 ABC    3.2
2       6      12      18      24 DEF    4.1

场景2：每个gene组中筛选val大于指定阈值的行

比如要保留每个组里val大于2的行：

df_threshold <- df %>%
  group_by(gene) %>%
  filter(val > 2) %>%
  ungroup()

print(df_threshold)

输出结果：

# A tibble: 4 × 6
  signal1 signal2 signal3 signal4 gene    val
    <int>   <int>   <int>   <int> <chr> <dbl>
1       1       7      13      19 ABC    2.5
2       2       8      14      20 ABC    3.2
3       3       9      15      21 ABC    2.9
4       6      12      18      24 DEF    4.1

场景3：每个gene组中按val降序取前N行

比如每个组取val最大的前2行：

df_top_n <- df %>%
  group_by(gene) %>%
  arrange(desc(val)) %>%
  slice_head(n = 2) %>%
  ungroup()

print(df_top_n)

输出结果：

# A tibble: 4 × 6
  signal1 signal2 signal3 signal4 gene    val
    <int>   <int>   <int>   <int> <chr> <dbl>
1       2       8      14      20 ABC    3.2
2       3       9      15      21 ABC    2.9
3       6      12      18      24 DEF    4.1
4       5      11      17      23 DEF    0.4

不用dplyr的Base R实现方法 #

如果你不想加载额外包，可以用原生R函数实现：

筛选每个组val最大的行

# 先计算每个gene组的最大val值
max_vals <- tapply(df$val, df$gene, max)
# 匹配筛选对应行
df_base_max <- df[df$val == max_vals[df$gene], ]

print(df_base_max)

筛选每个组中val大于阈值的行

# 用by函数分组处理后合并结果
df_base_threshold <- do.call(rbind, by(df, df$gene, function(x) x[x$val > 2, ]))
print(df_base_threshold)

内容的提问来源于stack exchange，提问作者Adamm