|
转载地址：http://blog.sina.com.cn/s/blog_403aa80a01017v56.html 最近手头下了一批数据，想要删除其中的重复值，比如： > data.set Ensembl.Gene.ID Gene.Biotype Chromosome.Name Gene.Start..bp. Gene.End..bp. 1 ENSG00000236666 antisense 22 16274560 16278602 2 ENSG00000236666 antisense 22 16274560 16278602 3 ENSG00000234381 pseudogene 22 16333633 16342783 4 ENSG00000234381 pseudogene 22 16333633 16342783 5 ENSG00000234381 pseudogene 22 16333633 16342783 6 ENSG00000234381 pseudogene 22 16333633 16342783 7 ENSG00000234381 pseudogene 22 16333633 16342783 8 ENSG00000234381 pseudogene 22 16333633 16342783 9 ENSG00000234381 pseudogene 22 16333633 16342783 10 ENSG00000224435 pseudogene 22 16345912 16355362 在这个数据中，Ensembl.Gene.ID中只有三个值，其余都是重复值，现在想要根据Ensembl.Gene.ID列重新生成数据，如： > data.set2 Ensembl.Gene.ID Gene.Biotype Chromosome.Name Gene.Start..bp. Gene.End..bp. 1 ENSG00000236666 antisense 22 16274560 16278602 3 ENSG00000234381 pseudogene 22 16333633 16342783 10 ENSG00000224435 pseudogene 22 16345912 16355362 那么，在进行这个数据处理的时候也想过用excel来解决，但是excel毕竟有他的局限性，不能处理大批量的数据，所以还是想能够用R语言来处理这批数据。 在网上以及几本主要的R语言书籍中都找了下，没有发现有效的处理办法。 但是获取了一个比较好的解决思路：用duplicated函数。 duplicated函数是一个可以用来解决向量或者数据框重复值的函数，它会返回一个TRUE和FALSE的向量，以标注该索引所对应的值是否是前面数据所重复的值。 那么我们还是以文中开头提到的数据data.set为例来说明解决办法： 1、建立是否重复索引； > index<-duplicated(data.set$Ensembl.Gene.ID) > index [1] FALSE TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE FALSE 2、生成新数据 那么到了这一步，应该是很多R语言爱好者都能够处理的问题了，但是我们会发现，我们要的那一行的值是FALSE，所以在后面我们用!来取反： > data.set2<-data.set[!index,] > data.set2 Ensembl.Gene.ID Gene.Biotype Chromosome.Name Gene.Start..bp. Gene.End..bp. 1 ENSG00000236666 antisense 22 16274560 16278602 3 ENSG00000234381 pseudogene 22 16333633 16342783 10 ENSG00000224435 pseudogene 22 16345912 16355362 这样我们就大功告成了。 |
|
|
