数据处理|数据查重怎么办？去重，就这么办！

2019 年 11 月 5 日
笔记

本文首发于“生信补给站”公众号，https://mp.weixin.qq.com/s/oxOSaVxQNPDxFDq5Wu9WjQ

更多关于R语言，ggplot2绘图，生信分析的内容，敬请关注小号。

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：缺失值、异常值和重复值处理，本次简单介绍一些R处理重复值的用法：

将符合目标的重复行全部删掉；
存在重复的行，根据需求保留一行

一数据准备

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？

二一个不留

对于重复的行，一个不留！

1 unique 直接去重

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？

2 duplicated 可选去重

1）删除数据集中完全重复的行，同unique

data2 <- data[!duplicated(data),]

2）选择性删除

A：删除某一列存在重复的行

data2 <- data[!duplicated(data$ID_REF),]

删除了ID_REF列存在重复的行，搞定！

B：删除某几列重复的行

#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！

三择”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。

1 aggregate函数

A : ID_REF重复行，保留其均值

data3 <- aggregate( . ~ ID_REF,data=data, mean)

B: ID_REF重复行，保留其最大值

data3 <- aggregate( . ~ ID_REF,data=data, max)

2 dplyr函数

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)

四芯片表达数据去重

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")