对分组行进行过滤和比较（tidyverse）

Question

我有一个数据框，我想找到重复项，然后选择一行或保留多行，具体取决于列条件。

tst <- data.frame(dataset=as.factor(c(rep("DS1", 4), rep("DS2", 3), rep("DS3", 3))), 
           gene1=c("AAA", "AAA", "AAA", "AAA", "AAA", "AAA", "AAA", "AAA", "AAA", "AAA"),
           gene2=c("BBB", "BBB", "BBB", "BBB", "BBB", "BBB", "BBB", "BBB", "BBB", "BBB" ),
           confidence=c("high", "low", "medium", "high", "low", "low", "medium", "low", "high", "high"),
           dist_g1=c(1, 1, 3, 1, 0,0,0,6,6,0),
           dist_g2=c(0, 0, 0, 2, 0,0,0,4,4,12) )

	数据集	基因1	基因2	信心	距离_g1	距离_g2
1	DS1	AAA	BBB	高	1	0
2	DS1	AAA	BBB	低	1	0
3	DS1	AAA	BBB	中	3	0
4	DS1	AAA	BBB	高	1	2
5	DS2	AAA	BBB	低	0	0
6	DS2	AAA	BBB	低	0	0
7	DS2	AAA	BBB	中	0	0
8	DS3	AAA	BBB	低	6	4
9	DS3	AAA	BBB	高	6	4
10	DS3	AAA	BBB	高	0	12

我需要修改重复的行（按“数据集”、“基因1”、“基因2”分组），如下所示：

• 如果在一组中，每个距离都相同，（例如行（1 & 2）、（5、6 & 7）、（8 & 9））但“置信度”不同，保留最高的行置信度（高 > 中 > 低）-> 保留第 1、7、9 行

• 如果分组中的距离不同，则保留该组中的所有不同行（例如行 (1, 3, 4), (5), (9, 10))

最终的数据框如下所示： （请忽略索引列，它只是为了更好地解释）

---	数据集	基因1	基因2	信心	距离_g1	距离_g2
1	DS1	AAA	BBB	高	1	0
3	DS1	AAA	BBB	中	3	0
4	DS1	AAA	BBB	高	1	2
7	DS2	AAA	BBB	中	0	0
9	DS3	AAA	BBB	高	6	4
10	DS3	AAA	BBB	高	0	12

我尝试过的：

• 对于第一点，我按“置信度”进行分组和过滤

tst %>% 
  mutate(confidence = factor(confidence, levels = c("low", "medium", "high"), ordered = TRUE)) %>%
  group_by(dataset, gene1, gene2) %>% 
  top_n(n=1, confidence)

• 我尝试包含“if 语句”或“case_when”，但我不知道如何比较相邻行

谢谢您的帮助！

Answer 1

这是我的回答

(tst 
  %>% 
  mutate(
    confidence = factor(confidence, levels = c("low", "medium", "high"), ordered = TRUE)
  ) 
  %>%group_by(dataset, gene1, gene2,dist_g1,dist_g2) 
  %>% mutate(
    order_conf=case_when(
      confidence == 'low'    ~ 1L,
      confidence == 'medium' ~ 2L,
      confidence == 'high'   ~ 3L,
      .default = 1L
    ),
    max_order_conf=max(order_conf)
  )
  %>% filter(order_conf==max_order_conf)
  %>% select (-max_order_conf,-order_conf)
)