GEO芯片数据去重--转载
转载:https://www.jianshu.com/p/4b2781a125e4
一 数据准备
使用GEO数据库的表达数据,抽取一些并稍加处理(为方便展示)
data <- read.csv("A.csv",header=TRUE)
img
可以明显看到ID_REF存在重复,那要怎么处理呢?
二 一个不留
对于重复的行,一个不留!
1 unique 直接去重
data1 <- unique(data)
data1
img
简单,直接,可以看到第9行完全重复的已经被删除。
如果我还想去掉ID_REF重复的行,怎么办?
2 duplicated 可选去重
1)删除数据集中完全重复的行,同unique
data2 <- data[!duplicated(data),]
img
2)选择性删除
A:删除某一列存在重复的行
data2 <- data[!duplicated(data$ID_REF),]
img
删除了ID_REF列存在重复的行,搞定!
B:删除某几列重复的行
#等价
data2 <- data[!duplicated(data[,c("ID_REF","GSM74876")]),]
data2 <- data[!duplicated(data[,c(1,3)]),]
img
删除了ID_REF列和GSM74876列均重复的行,Done!
三 择”优“录取
存在重复,但是不想完全删除,根据数据处理的目的保留一行。
1 aggregate函数
A : ID_REF重复行,保留其均值
data3 <- aggregate( . ~ ID_REF,data=data, mean)
img
B: ID_REF重复行,保留其最大值
data3 <- aggregate( . ~ ID_REF,data=data, max)
2 dplyr函数
A : ID_REF重复行,保留其均值,同aggregate函数结果一致。
library(dplyr)
data4 <- data %>% group_by(ID_REF) %>% summarise_all(mean)
img
四 芯片表达数据去重
芯片表达数据中,会存在一个基因多个探针的情况,此处选择在所有样本中表达量之和最大的探针。
library(tibble)
data5 <- data %>%
#计算每个探针(行)的表达量均值
mutate(rowMean =rowMeans(.[grep("GSM", names(.))])) %>%
#表达量均值从大到小排序
arrange(desc(rowMean)) %>%
# 选择第一个,即为表达量最大值
distinct(ID_REF,.keep_all = T) %>%
#去除rowMean这一列
select(-rowMean) %>%
# 将ID_REF列变成行名
column_to_rownames(var = "ID_REF")
img
链接:https://www.jianshu.com/p/4b2781a125e4
来源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。