R - dplyrでグループ化し、グループ内のすべてのメンバーが重複している場合にのみ重複を削除します。

Question

大きなデータフレームが1つの列に多数あります。私は、データフレームを解析して、重複ごとに1つのエントリしか残さないようにしようとしています。すべてのエントリが重複していない限り、（第二部で助けたすべてのstackoverflowの答えを見つけることができませんでした...）

例DFコード：

mydf <- data.frame(accession=c("A", "A", "A", "A", "B", "B", "C", "C", "D"), gene=c("unknown", "red1", "red2", "blue", "green1", "green2", "unknown", "unknown2", "violet"), ident=c(100.0, 95.3, 80.2, 65.1, 94.2, 100.0, 97.1, 90.0, 86)) 

DFは次のようになります。

accession gene  ident 
1 A   unknown 100.0 
2 A   red1  95.3 
3 A   red2  80.2 
4 A   blue  65.1 
5 B   green1 94.2 
6 B   green2 100.0 
7 C   unknown 97.1 
8 C   unknown2 90.0 
9 D   violet 86.0 

そして、私の所望の出力テーブルはこれです：

accession gene  ident 
2 A   red1  95.3 
6 B   green2 100.0 
7 C   unknown 97.1 
8 C   unknown2 90.0 

「既知の」geneが最高のident,のUNLESSの特定のaccessionのすべての重複したエントリに文字列unknown*が含まれていることに基づいて、が保持されます。

unknown*が含まれている場合は、にはすべての行を重複して保管しています。accessionこれは私がこれまで持っているものです。

library(dplyr) 
mydf$dup <- duplicated(mydf$accession, fromLast = FALSE)|duplicated(mydf$accession, fromLast = TRUE) 
mydf <- mydf %>% group_by(accession) %>% mutate(count=n()) 
mydf <- subset.data.frame(mydf, mydf$dup == TRUE) 
mydf <- mydf %>% group_by(accession) %>% filter(!grepl("unknown", gene)) %>% top_n(1,ident) 

与える：

accession gene  ident dup count 
2 A   red1  95.3 TRUE 4 
6 B   green2 100.0 TRUE 2 

私の本能はif声明を行うことです。

mydf <- mydf %>% group_by(accession) %>% 
if(count(grepl("unknown", mydf$gene))!= mydf$count) 
     {filter(!grepl("unknown", gene))} 
%>% top_n(1, ident) 

が、私はエラーに実行しています：

Error in if (.) count(grepl("unknown", mydf$gene)) != mydf$count else { : argument is not interpretable as logical In addition: Warning message: In if (.) count(grepl("unknown", mydf$gene)) != mydf$count else { : the condition has length > 1 and only the first element will be used

corとはrect溶液？私は良い方法があれば、dplyrと結婚していない！ありがとう！

Answer 1

あなたはこの試みることができる：

mydf %>% 
    group_by(accession) %>% 
    mutate(n = n()) %>% 
    filter(n > 1) %>% 
    mutate(ident_rnk = min_rank(ident), 
     ident_rnk = if_else(grepl("unknown",gene),-1L,ident_rnk)) %>% 
    top_n(n = 1,wt = ident_rnk) %>% 
    select(accession,gene,ident) 

Answer 2

別のオプション：まず、各グループの最後にして降順にソートident同時にデータフレームとソートunkownを手配）

1。

2）基当たりフィルタ、グループの行の数は、次に1よりも大きく、確認していずれかのグループ全体は、unkownのでunknownが終わりにソートまたは取るされている含ま手段unknownと第gene開始最初の行：

mydf %>% 
    group_by(accession) %>% 
    arrange(startsWith(gene, 'unknown'), desc(ident)) %>% 
    filter(n() > 1 & (startsWith(first(gene), 'unknown') | row_number() == 1)) 

# A tibble: 4 x 3 
# Groups: accession [3] 
# accession  gene ident 
#  <chr> <chr> <dbl> 
#1   B green2 100.0 
#2   A  red1 95.3 
#3   C unknown 97.1 
#4   C unknown2 90.0