Doublons dans les correspondances

Jointure de données avec data.table en R

Scott Ritchie

Postdoctoral Researcher in Systems Genomics

Doublons dans la clé de jointure

# Quelles bactéries ont été trouvées aux deux sites, peu importe la méthode ?
site1_ecology[site2_ecology, on = .(genus)]

Erreur due aux correspondances multiplicatives

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.

Autoriser les correspondances multiplicatives

allow.cartesian = TRUE permet d'exécuter la jointure :

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

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

Autoriser les correspondances multiplicatives

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

Valeurs manquantes

Les valeurs manquantes (NA) correspondent à toutes les autres valeurs manquantes :

Filtrer les valeurs manquantes

!is.na() permet de filtrer les lignes avec des valeurs manquantes

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

Garder seulement la première correspondance

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

Garder seulement la dernière correspondance

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

Repérer et supprimer les doublons

duplicated() : quelles lignes sont en double ?

unique() : filtrer un data.table pour ne garder que les lignes uniques

La fonction duplicated()

En utilisant toutes les colonnes :

duplicated(site1_ecology)

FALSE FALSE FALSE FALSE

En utilisant un sous-ensemble de colonnes :

duplicated(site1_ecology, 
           by = "genus")

FALSE TRUE FALSE TRUE

La fonction unique()

unique(site1_ecology, by = "genus")

Modifier l'ordre de recherche

fromLast = TRUE change le sens de la recherche en partant de la dernière ligne

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

TRUE FALSE TRUE FALSE

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

Passons à la pratique !

Jointure de données avec data.table en R