R在一列中查找重复项，并在第二列中折叠

Question

我有一个数据框，它有两列相互接触的字符串。在一个列(名为probes)中，我有重复的案例(即，具有相同字符串的多个案例)。对于探测器中的每个案例，我希望找到包含相同字符串的所有案例，然后将第二列(名为genes)中所有相应案例的值合并为一个案例。例如，如果我有这样的结构：

    probes  genes
1   cg00050873  TSPY4
2   cg00061679  DAZ1
3   cg00061679  DAZ4
4   cg00061679  DAZ4

我想把它改成这样的结构：

    probes  genes
1   cg00050873  TSPY4
2   cg00061679  DAZ1 DAZ4 DAZ4

显然，对于使用哪个探测器的单个探测器，执行此操作没有问题，然后粘贴和折叠

ind<-which(olap$probes=="cg00061679")
genename<-(olap[ind,2])
genecomb<-paste(genename[1:length(genename)], collapse=" ")

但我不确定如何在整个数据帧中提取probes列中重复项的索引。有什么想法吗？

提前感谢

Answer 1

可以在base R中使用tapply

data.frame(probes=unique(olap$probes), 
           genes=tapply(olap$genes, olap$probes, paste, collapse=" "))

或者使用plyr：

library(plyr)
ddply(olap, "probes", summarize, genes = paste(genes, collapse=" "))

更新

在第一个版本中这样做可能更安全：

tmp <- tapply(olap$genes, olap$probes, paste, collapse=" ")
data.frame(probes=names(tmp), genes=tmp)

为了以防万一，unique以不同于tapply的顺序给出了探测。就我个人而言，我总是使用ddply。

Answer 2

Base R aggregate()应该可以很好地执行以下操作：

aggregate(genes ~ probes, data = olap, as.vector)
#       probes            genes
# 1 cg00050873            TSPY4
# 2 cg00061679 DAZ1, DAZ4, DAZ4

我更喜欢as.vector，以防我需要对数据做任何进一步的工作(它将genes列存储为list，但是如果您希望它是字符串，也可以尝试使用aggregate(genes ~ probes, data=test, paste, collapse=" ")。