确定一个值是否在一行列中出现一次，但第二个值根本没有出现

Question

可能是个糟糕的标题，但我有 table 个存储为“1”、“2”和“3”的限定词。我想做的是查看每一行（大约 300,000 行，但可变。）并确定单个“3”出现的位置，（如果它出现不止一次，我对它不感兴趣）和其余的该行中的列有一个“1”，并且 return 是一个列表。（列数和列名根据输入文件而变化。）

本能地，我想通过嵌套的 for 循环来尝试这样做，循环索引行数，然后是列数，然后是一些查找一个“3”而不查找“2”的函数。 -- 这可能意味着首选方法是某些应用函数是否正确？

另一个方法是计算列数总和，加 2，然后对行求和，同时有一个限定符，即行中不能有 2。但这似乎很复杂。

df1
  seq                        loc   Ball   Cat   Square   Water
1 AAAAAACCAGTCCCAGTTCGGATTG  t       3     1      1       1  
2 AAAAAACCAGTCTCAGTTCGGATTG  b       1     1      3       3
3 AAAAAACCAGTCTCAGTTCGGATTG  t       1     3      2       1
4 AAAAAACCGGTCACAGTTCAGATTG  b       1     1      1       2
5 AAAAAACCGGTCACAGTTCAGATTG  t       1     1      3       1


Expected Ouput:
  seq                        loc     Group   
1 AAAAAACCAGTCCCAGTTCGGATTG  t       Ball    
2 AAAAAACCGGTCACAGTTCAGATTG  t       Square 


dput of df1:
structure(list(seq = structure(c(1L, 2L, 2L, 3L, 3L), .Label = 
c("AAAAAACCAGTCCCAGTTCGGATTG", 
"AAAAAACCAGTCTCAGTTCGGATTG", "AAAAAACCGGTCACAGTTCAGATTG"), class = 
"factor"), 
loc = structure(c(2L, 1L, 2L, 1L, 2L), .Label = c("b", 
"t"), class = "factor"), Ball = c("3", "1", "1", "1", "1"
), Cat = c("1", "1", "3", "1", "1"), Square = c("1", "3", 
"2", "1", "3"), Water = c("1", "3", "1", "2", "1")), row.names = c(NA, 
-5L), class = c("tbl_df", "tbl", "data.frame"))

Answer 1

这是一个没有 tidyverse 甚至 *apply 函数的解决方案。首先，让我们将这四列转换为整数：

cols <- 3:6
df1[cols] <- lapply(df1[cols], as.integer)

然后

df <- df1[rowSums(df1[cols]) == (3 + length(cols) - 1) & rowSums(df1[cols] == 3) == 1, ]
df$Group <- names(df)[cols][which(t(df[cols]) == 3, arr.ind = TRUE)[, 1]]
df
# A tibble: 2 x 7
#   seq                       loc    Ball   Cat Square Water Group 
#   <fct>                     <fct> <int> <int>  <int> <int> <chr> 
# 1 AAAAAACCAGTCCCAGTTCGGATTG t         3     1      1     1 Ball  
# 2 AAAAAACCGGTCACAGTTCAGATTG t         1     1      3     1 Square

在第一行中，我 select 右边的行有两个条件：在那些 cols 列（rowSums(df1[cols] == 3) == 1）中必须只有一个元素等于 3，并且总数行的总和必须是 3 + length(cols) - 1。然后在第二行中，我检查哪些列具有 3 并选择 df 的相应名称作为 Group.

的值

Answer 2

我在进行逐行计算时经常使用基本的 apply。如果你想要一个 tidyverse 解决方案，你可以用实际的 dplyr::rowwise 做一些事情。这里只是使用基数 R:

filter_on = apply(X = df1[3:6], 
                  MARGIN = 1, 
                  FUN = function(x){sum(x == 3) == 1 & sum(x == 1) == 3})
df1 = df1[filter_on,]

columns = colnames(df1)[3:6]

df1$Group = unlist(apply(X = df1[3:6], 
                         MARGIN = 1,
                         FUN = function(x){columns[x == 3]}))

Answer 3

正在添加一个额外的版本。这仅涵盖行选择。

#create vector of wanted column names
cols <- c("Ball", "Cat", "Square", "Water")
#make values numeric
df1[, cols] <- df1[, cols] %>% mutate_if(is.character, as.numeric)

#filter rows
df1[which((rowSums(df1[, cols]) == (length(cols)+2) ) & (rowSums(df1[, cols] == 2) == 0)),]

                        seq loc Ball Cat Square Water
1 AAAAAACCAGTCCCAGTTCGGATTG   t    3   1      1     1
5 AAAAAACCGGTCACAGTTCAGATTG   t    1   1      3     1

看起来 apply 版本是前三个帖子中最快的，但并不快。

microbenchmark::microbenchmark(
which = df1[which((rowSums(df1[, cols]) == (length(cols)+2) ) & (rowSums(df1[, cols] == 2) == 0)),],
filter = df1[rowSums(df1[cols]) == (3 + length(cols) - 1) & rowSums(df1[cols] == 3) == 1, ],
apply = df1[apply(X = df1[3:6], 
          MARGIN = 1, 
          FUN = function(x){sum(x == 3) == 1 & sum(x == 1) == 3}),]
)

Unit: microseconds
   expr     min       lq     mean  median       uq      max neval cld
  which 429.043 436.4665 446.2817 445.811 451.3140  493.553   100   a
 filter 429.555 435.5715 447.8151 440.307 449.2670  724.202   100   a
  apply 339.958 346.9975 435.0437 351.222 362.2295 8141.819   100   a

Answer 4

只是为了展示我们使用长格式而不是按行处理数据的替代方法。这里，使用 data.table 函数：

library(data.table)
d <- melt(setDT(df1), id.vars = c("seq", "loc"))
d[d[ , .I[sum(value == 3) == 1 & !any(value == 2)], by = .(seq, loc)]$V1][value == 3]
#                          seq loc variable value
# 1: AAAAAACCAGTCCCAGTTCGGATTG   t     Ball     3
# 2: AAAAAACCGGTCACAGTTCAGATTG   t   Square     3

使用 'sec' 和 'loc' 作为 id 变量将

melt 数据转换为长格式。如果 'sec' 和 'loc' 的组合不是行的唯一标识符，则创建唯一的行索引（例如 ri := 1:.N）。

对于每个 'sec' 和 'loc'（by = .(seq, loc)；即对于原始数据中的每一行），为所需条件创建一个逻辑向量：每行一个 3，没有 2 (sum(value == 3) == 1 & !any(value == 2))。获取相应的行索引 (.I)。索引自动命名为 'V1'，然后用于子集 'd'.

最后，select 行，其中 'value' 等于 3 ([value == 3])。

Answer 5

我的解决方案是从@Julius Vainora 那里取而代之。我的解决方案更复杂，但我使用了 match() 并添加了一个索引列。

DF$index <- seq.int(nrow(DF))
col_names <- names(DF)[3:ncol(DF)]

DF$Group <- col_names[which(DF[cols] == 3, arr.ind = TRUE)[,2][
  DF$index[match(
    DF$index, which(
       DF[cols] == 3, arr.ind = TRUE[,1])]]]

确定一个值是否在一行列中出现一次，但第二个值根本没有出现

Determining if one value occurs once in a row of columns, but a second value doesn't occur at all

r

sapply