Correspondências duplicadas

Combinando dados com data.table em R

Scott Ritchie

Postdoctoral Researcher in Systems Genomics

Duplicatas na chave de junção

# Quais bactérias foram encontradas em ambos os locais por qualquer método?
site1_ecology[site2_ecology, on = .(genus)]

Erro por correspondências multiplicativas

site1_ecology[site2_ecology, on = .(genus)]


Error in vecseq(f__, len__, if (allow.cartesian || notjoin || 
!anyDuplicated(f__,  : 
  Join results in 12 rows; more than 10 = nrow(x)+nrow(i). Check for 
  duplicate key values in i each of which join to the same group in x over 
  and over again. If that's ok, try by=.EACHI to run j for each group to 
  avoid the large allocation. If you are sure you wish to proceed, rerun 
  with allow.cartesian=TRUE. Otherwise, please search for this error message 
  in the FAQ, Wiki, Stack Overflow and data.table issue tracker for advice.

Permitindo correspondências multiplicativas

allow.cartesian = TRUE permite que a junção prossiga:

# Sintaxe data.table
site1_ecology[site2_ecology, on = .(genus), allow.cartesian = TRUE]

# merge()
merge(site1_ecology, site2_ecology, by = "genus", allow.cartesian = TRUE)

Permitindo correspondências multiplicativas

site1_ecology[site2_ecology, on = .(genus), allow.cartesian = TRUE]

           genus count method present i.method
 1: Nitrosomonas   500    WGS    TRUE      WGS
 2: Nitrosomonas   620    16S    TRUE      WGS
 3: Nitrosomonas   500    WGS    TRUE      16S
 4: Nitrosomonas   620    16S    TRUE      16S
 5: Nitrosomonas   500    WGS    TRUE  Culture
 6: Nitrosomonas   620    16S    TRUE  Culture
 7:    Rhizobium   360    WGS    TRUE      WGS
 8:    Rhizobium   300    16S    TRUE      WGS
 9:    Rhizobium   360    WGS    TRUE      16S
10:    Rhizobium   300    16S    TRUE      16S
11:    Rhizobium   360    WGS   FALSE  Culture
12:    Rhizobium   300    16S   FALSE  Culture

Valores ausentes

Valores ausentes (NA) vão corresponder a todos os outros ausentes:

Filtrando valores ausentes

!is.na() pode filtrar linhas com valores ausentes

site1_ecology <- site1_ecology[!is.na(genus)]
site1_ecology

          genus count method
1: Nitrosomonas   500    WGS
2:    Rhizobium   360    WGS

site2_ecology <- site2_ecology[!is.na(genus)]
site2_ecology

          genus present  method
1: Nitrosomonas    TRUE Culture
2:    Rhizobium    TRUE Culture
3:  Azotobacter    TRUE Culture

Mantendo só a primeira correspondência

site1_ecology[site2_ecology, on = .(genus), mult = "first"]

Mantendo só a última correspondência

children[parents, on = .(parent = name), mult = "last"]

Identificando e removendo duplicatas

duplicated(): quais linhas são duplicatas?

unique(): filtra um data.table para manter apenas linhas únicas

A função duplicated()

Usando valores em todas as colunas:

duplicated(site1_ecology)

FALSE FALSE FALSE FALSE

Usando valores em um subconjunto de colunas:

duplicated(site1_ecology, 
           by = "genus")

FALSE TRUE FALSE TRUE

A função unique()

unique(site1_ecology, by = "genus")

Mudando a ordem da busca

fromLast = TRUE muda a direção da busca para começar da última linha

duplicated(site1_ecology, by = "genus", fromLast = TRUE)

TRUE FALSE TRUE FALSE

unique(site1_ecology, by = "genus", fromLast = TRUE)

Vamos praticar!

Combinando dados com data.table em R