过滤所选列中至少具有两个不同值的行

Question

例如我的数据如下所示（实际数据集有 10,000 多行）：

身份证	1160	1160	1216	1216	1132	1132
01	T	T	T	T	T	T
02	T	T	T	T	T	G
03	A	G	不适用	不适用	A	A
04	我	我	我	我	我	我
05	不适用	不适用	不适用	不适用	不适用	不适用
06	G	G	G	G	G	G

我期待的结果是：

身份证	1160	1160	1216	1216	1132	1132
02	T	T	T	T	T	G
03	A	G	不适用	不适用	A	A

Answer 1

您可以计算唯一值的数量并保留有多个的行。

dat[
    sapply(data.frame(t(dat[, -1])), \(x) length(unique(na.omit(x))) > 1),
]
  ID 1160 1160 1216 1216 1132 1132
2  2    T    T    T    T    T    G
3  3    A    G <NA> <NA>    A    A

或者如果你想要一个

dplyr

方法，你可以这样做：

library(dplyr)
dat  |>
    rowwise()  |>
    filter(n_distinct(na.omit(c_across(X1160:X1132.1))) > 1)    

我怀疑这会慢得多。另外，我使用

check.names = TRUE

来修复此示例中的列名称，因为您有重复项。

数据

dat  <- structure(list(ID = 1:6, `1160` = c("T", "T", "A", "I", NA, "G"
), `1160` = c("T", "T", "G", "I", NA, "G"), `1216` = c("T", "T", 
NA, "I", NA, "G"), `1216` = c("T", "T", NA, "I", NA, "G"), `1132` = c("T", 
"T", "A", "I", NA, "G"), `1132` = c("T", "G", "A", "I", NA, "G"
)), class = "data.frame", row.names = c(NA, -6L))

Answer 2

在

apply

中使用

data.table

，其中

length(unique(na.omit(.)))

大于 1 的行的子集。

> library(data.table)
> setDT(dat)
> ss <- DT[, apply(.SD, 1, \(x) length(unique(na.omit(x))) > 1L), .SDcols=-"ID"]
> DT[ss]
   ID X1160 X1160.1 X1216 X1216.1 X1132 X1132.1
1: 02     T       T     T       T     T       G
2: 03     A       G  <NA>    <NA>     A       A

也可以使用

data.table::uniqueN

，但速度很慢。

> dat[dat[, .I[uniqueN(unlist(.SD)) > 1], by = ID]$V1]
   ID X1160 X1160.1 X1216 X1216.1 X1132 X1132.1
1: 02     T       T     T       T     T       G
2: 03     A       G  <NA>    <NA>     A       A

---

数据：

> dput(dat)
structure(list(ID = c("01", "02", "03", "04", "05", "06"), X1160 = c("T", 
"T", "A", "I", NA, "G"), X1160.1 = c("T", "T", "G", "I", NA, 
"G"), X1216 = c("T", "T", NA, "I", NA, "G"), X1216.1 = c("T", 
"T", NA, "I", NA, "G"), X1132 = c("T", "T", "A", "I", NA, "G"
), X1132.1 = c("T", "G", "A", "I", NA, "G")), class = "data.frame", row.names = c(NA, 
-6L))

Answer 3

使用

rowSums

的矢量化基础解决方案：

dat[rowSums(dat[,-(1:2)] != dat[,2], na.rm = TRUE) > 0,]
#>   ID X1160 X1160.1 X1216 X1216.1 X1132 X1132.1
#> 2 02     T       T     T       T     T       G
#> 3 03     A       G  <NA>    <NA>     A       A

数据感谢@SamR：

dat  <- structure(list(ID = 1:6, `1160` = c("T", "T", "A", "I", NA, "G"
), `1160` = c("T", "T", "G", "I", NA, "G"), `1216` = c("T", "T", 
NA, "I", NA, "G"), `1216` = c("T", "T", NA, "I", NA, "G"), `1132` = c("T", 
"T", "A", "I", NA, "G"), `1132` = c("T", "G", "A", "I", NA, "G"
)), class = "data.frame", row.names = c(NA, -6L))

Answer 4

首先，具有重复的列名并不是一个好主意。我使用

janitor::clean_names()

来获取唯一的列名称。

在

dplyr

中，我们可以基于多列使用

if_all

或

across

到

filter

。见下图：

library(dplyr)

dat %>%
  janitor::clean_names() %>% 
  filter(!if_all(x1160:x1132_2, ~ if_else(is.na(.x), TRUE, .x == x1160)))

#>   id x1160 x1160_2 x1216 x1216_2 x1132 x1132_2
#> 1  2     T       T     T       T     T       G
#> 2  3     A       G  <NA>    <NA>     A       A

^{创建于 2024-01-09，使用 reprex v2.0.2}