Données de sous-ensemble utilisant deux variables et le résumant

Question

J'ai un data.frame avec 3 colonnes. J'ai beaucoup de différentes "souches" avec beaucoup de différents "TE" correspondant à leur fréquence. Ce que je veux faire, c'est pour chaque TE savoir combien de souches sont dans la même gamme pour une valeur donnée de TEfréquence.

dt <- as.data.table(read.table(header=TRUE,text="  strain TE  TEfrequency 
    1 S1 FBti0015567 0.000000 
    2 S2 FBti0015567 0.000000 
    3 S3 FBti0015567 42.857143 
    4 S1 FBti0018865 25.000000 
    5 S2 FBti0018865 3.225806 
    6 S3 FBti0018865 33.333333")) 



> head(dt) 
    strain TE  TEfrequency 
    1 S1 FBti0015567 0.000000 
    2 S2 FBti0015567 0.000000 
    3 S3 FBti0015567 42.857143 
    4 S1 FBti0018865 25.000000 
    5 S2 FBti0018865 3.225806 
    6 S3 FBti0018865 33.333333 

Par exemple, dans ce jeu de données factice pour FBti0015567

si je veux interroger pour des fréquences inférieures à 10% j'obtenir un 2 pour FBti0015567 (S1 + S2) et 1 pour FBti0018865 (S2).

TE num_strains 
FBti0015567 2 
FBti0018865 1 

Pour une requête de> 20%

TE num_strains 
FBti0015567 1 
FBti0018865 2 

Mon approche naïve est de faire un sous-ensemble pour chaque combinaison de valeurs, mais cela est impossible parce que j'ai plus de 40 souches et plus de 1400 TE de . Existe-t-il un moyen facile d'obtenir un tableau résumant ces informations par TE avec un intervalle de fréquence d'entrée?

Merci d'avance.

Answer 1

Si j'interprète la question correctement, vous voulez pour chaque combinaison TE & TEfréquence le nombre de déformations uniques. Data.table est génial et vous pouvez le faire en 1 étape si vous le souhaitez.

library(data.table) 

dt <- as.data.table(read.table(header=TRUE,text="  strain TE  TEfrequency 
    1 S1 FBti0015567 0.000000 
    2 S2 FBti0015567 0.000000 
    3 S3 FBti0015567 42.857143 
    4 S1 FBti0018865 25.000000 
    5 S2 FBti0018865 3.225806 
    6 S3 FBti0018865 33.333333")) 

dt[,list(count_uniq_strain=length(unique(strain))),by=list(TE,TEfrequency)][TEfrequency < 10] 

      TE TEfrequency count_uniq_strain 
1: FBti0015567 0.000000     2 
2: FBti0018865 3.225806     1 

Je suppose que "le filtrage par des fréquences inférieures à 10%", vous voulez dire laisser tomber les observations avec TEfrequency < 10.

Edit: Ajout d'une fonction de requête:

dt2<-dt[,list(count_uniq_strain=length(unique(strain))),by=list(TE,TEfrequency)] 

query <- function(inds,condition){ 
    return(inds[eval(parse(text=condition))]) 
} 

filter_gt_20 <- query(inds=dt2,condition="TEfrequency > 20") 
filter_lt_10 <- query(inds=dt2,condition="TEfrequency < 10") 


> filter_gt_20 
      TE TEfrequency count_uniq_strain 
1: FBti0015567 42.85714     1 
2: FBti0018865 25.00000     1 
3: FBti0018865 33.33333     1 
> filter_lt_10 
      TE TEfrequency count_uniq_strain 
1: FBti0015567 0.000000     2 
2: FBti0018865 3.225806     1