论文查重怎么办?就那么办!OK!
数据查重怎么办?就这么办!KO!
数据清洗过程中的典型问题:数据分析|R-缺失值处理、数据分析|R-异常值处理和重复值处理,本次简单介绍一些R处理重复值的用法:
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)
可以明显看到ID_REF存在重复,那要怎么处理呢?
一个不留
对于重复的行,一个不留!
data1 <- unique(data)
data1
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?
data2 <- data[!duplicated(data),]
data2 <- data[!duplicated(data$ID_REF),]
删除了ID_REF列存在重复的行,搞定!
#等价
data2 <- data[!duplicated(data[,c("ID_REF","GSM74876")]),]
data2 <- data[!duplicated(data[,c(1,3)]),]
删除了ID_REF列和GSM74876列均重复的行,Done!
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。
data3 <- aggregate( . ~ ID_REF,data=data, mean)
data3 <- aggregate( . ~ ID_REF,data=data, max)
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)
表达量去重
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")
好了,常用的数据去重方法先介绍这些,绝对比论文查重简单多了!