Corrispondenze duplicate

Unire i dati con data.table in R

Scott Ritchie

Postdoctoral Researcher in Systems Genomics

Duplicati nella chiave di join

# Which bacteria could be found at both sites using any method?
site1_ecology[site2_ecology, on = .(genus)]

Errore da corrispondenze moltiplicative

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.

Consentire corrispondenze moltiplicative

allow.cartesian = TRUE consente di eseguire il join:

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

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

Consentire corrispondenze moltiplicative

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

Valori mancanti

I valori mancanti (NA) verranno associati ad altri valori mancanti:

Filtrare i valori mancanti

!is.na() può filtrare le righe con valori mancanti

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

Tenere solo la prima corrispondenza

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

Tenere solo l'ultima corrispondenza

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

Identificare e rimuovere i duplicati

duplicated(): quali righe sono duplicate?

unique(): filtra una data.table alle sole righe uniche

La funzione duplicated()

Usando i valori in tutte le colonne:

duplicated(site1_ecology)

FALSE FALSE FALSE FALSE

Usando i valori in un sottoinsieme di colonne:

duplicated(site1_ecology, 
           by = "genus")

FALSE TRUE FALSE TRUE

La funzione unique()

unique(site1_ecology, by = "genus")

Cambiare l'ordine di ricerca

fromLast = TRUE cambia la direzione della ricerca partendo dall'ultima riga

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

TRUE FALSE TRUE FALSE

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

Esercitiamoci!

Unire i dati con data.table in R