重複マッチ

R で学ぶ data.table によるデータ結合

Scott Ritchie

Postdoctoral Researcher in Systems Genomics

結合キーの重複

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

R で学ぶ data.table によるデータ結合

多重マッチによるエラー

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.
R で学ぶ data.table によるデータ結合

多重マッチの許可

allow.cartesian = TRUE を指定すると結合を続行できます:

# data.table syntax
site1_ecology[site2_ecology, on = .(genus), allow.cartesian = TRUE]
# merge()
merge(site1_ecology, site2_ecology, by = "genus", allow.cartesian = TRUE)
R で学ぶ data.table によるデータ結合

多重マッチの許可

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
R で学ぶ data.table によるデータ結合

欠損値

欠損値(NA)は他の欠損値とマッチします:

R で学ぶ data.table によるデータ結合

欠損値のフィルタリング

!is.na() で欠損値を含む行をフィルタリングできます

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
R で学ぶ data.table によるデータ結合

最初のマッチのみを保持

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

R で学ぶ data.table によるデータ結合

最後のマッチのみを保持

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

R で学ぶ data.table によるデータ結合

重複の検出と削除

duplicated():重複行の検出

unique()data.table から重複のない行のみを取得

R で学ぶ data.table によるデータ結合

duplicated() 関数

全列の値を使用する場合:

duplicated(site1_ecology)
FALSE FALSE FALSE FALSE

列のサブセットを使用する場合:

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

R で学ぶ data.table によるデータ結合

unique() 関数

unique(site1_ecology, by = "genus")

R で学ぶ data.table によるデータ結合

検索順序の変更

fromLast = TRUE を指定すると、最終行から検索が開始されます

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

R で学ぶ data.table によるデータ結合

練習しましょう!

R で学ぶ data.table によるデータ結合

Preparing Video For Download...