1

Intento agrupar filas de una tabla acorde con los valores que tengo en la columna ncbi, en la columna lib y dependiendo si los valores que tengo en las columnas min y max se solapan formarían una única fila siendo el valor mínimo el valor mínimo de la columna min y el máximo el máximo de la columnas max. Este problema lo planteé en un post antiguo de este foro ¿Cómo agrupar valores numéricos que se solapan? y se solucionó, el pronlema es que hay algunas situaciones, como la que voy a mostrar a continuación, que no funciona correctamente esta función::

Tengo este dataframe:

 dataframe<- read.table(text="ncbi      lib      min    max 
                           NC_002034    PV011   8       911
                           NC_002034    PV011   206     432
                           NC_002034    PV011   287     413
                           NC_002034    PV011   443     631
                           NC_002034    PV011   714     891
                           NC_002034    PV011   813     1123
                           NC_002034    PV011   813     1418
                           NC_002034    PV011   1320    1621
                           NC_002034    PV011   1320    1626
                           NC_002034    PV011   1382    1537
                           NC_002034    PV011   1523    1721
                           NC_002034    PV011   1528    1672
                           NC_002034    PV011   1574    1721
                           NC_002034    PV011   1574    1909
                           NC_002034    PV011   1623    1909
                           NC_002034    PV011   1700    1824
                           NC_002034    PV011   1811    2280
                           NC_002034    PV011   2182    2566
                           NC_002034    PV011   2182    2566
                           NC_002034    PV011   2210    2390
                           NC_002034    PV011   2284    2438
                           NC_002034    PV011   2292    2457
                           NC_002034    PV011   2324    2485
                           NC_002034    PV011   2358    2527
                           NC_002034    PV011   2468    3319
                           NC_002034    PV011   2484    2608
                           NC_002034    PV011   2815    2942
                           NC_002034    PV011   2815    2942
                           NC_002034    PV011   3038    3167
                           NC_002034    PV011   3092    3291
                           NC_002034    PV011   3101    3300
                           NC_002034    PV011   3127    3327
                           NC_002034    PV011   3221    3350", header=TRUE, stringsAsFactors=FALSE)

y aplicando la función

      dataframe<-dataframe %>%
      arrange(lib, sseqid, min, max) %>% 
      mutate(grupo = cumsum(case_when(
      is.na(lag(lib)) ~ 1,    # el primer caso es nuevo grupo
      lib != lag(lib) ~ 1,    # cambió lib, nuevo grupo
      sseqid != lag(sseqid) ~ 1,  # cambió ncbi nuevo grupo
      min > lag(max) ~ 1, 
      TRUE ~ 0                
      ))) %>% 
      group_by(lib, sseqid, grupo) %>% 
      summarise(ssdif = max(max) - min(min));dim(dataframe)

Obtengo el siguiente ouput:

      lib       sseqid   grupo  ssdif
      PV011 NC_002034     54       903
      PV011 NC_002034     55       188
      PV011 NC_002034     56       2605
      PV011 NC_002034     57       127
      PV011 NC_002034     58       312

Como se puede ver el valor mínimo para la columna ncbi NC_002034 y la librería PV011 es 8 y el máximo es 3350 por lo que debería dar el siguiente output:

      lib       sseqid      grupo      ssdif
      PV011    NC_002034      54       3332

Aplicando el código anterior sin la linea de sumar las lineas veo como agrupa los diferentes grupos:

      dataframe<-dataframe %>%
      arrange(lib, sseqid, min, max) %>% 
      mutate(grupo = cumsum(case_when(
      is.na(lag(lib)) ~ 1,    # el primer caso es nuevo grupo
      lib != lag(lib) ~ 1,    # cambió lib, nuevo grupo
      sseqid != lag(sseqid) ~ 1,  # cambió ncbi nuevo grupo
      min > lag(max) ~ 1, 
      TRUE ~ 0                
      ))) %>% 
      group_by(lib, sseqid, grupo) 

Y aquí el output:

                           NC_002034    PV011   8        911    54
                           NC_002034    PV011   206      432    54
                           NC_002034    PV011   287      413    54
                           NC_002034    PV011   443      631    55
                           NC_002034    PV011   714      891    56
                           NC_002034    PV011   813     1123    56
                           NC_002034    PV011   813     1418    56
                           NC_002034    PV011   1320    1621    56
                           NC_002034    PV011   1320    1626    56
                           NC_002034    PV011   1382    1537    56
                           NC_002034    PV011   1523    1721    56
                           NC_002034    PV011   1528    1672    56
                           NC_002034    PV011   1574    1721    56
                           NC_002034    PV011   1574    1909    56
                           NC_002034    PV011   1623    1909    56
                           NC_002034    PV011   1700    1824    56
                           NC_002034    PV011   1811    2280    56
                           NC_002034    PV011   2182    2566    56
                           NC_002034    PV011   2182    2566    56
                           NC_002034    PV011   2210    2390    56
                           NC_002034    PV011   2284    2438    56
                           NC_002034    PV011   2292    2457    56
                           NC_002034    PV011   2324    2485    56
                           NC_002034    PV011   2358    2527    56
                           NC_002034    PV011   2468    3319    56
                           NC_002034    PV011   2484    2608    56
                           NC_002034    PV011   2815    2942    57
                           NC_002034    PV011   2815    2942    57
                           NC_002034    PV011   3038    3167    58
                           NC_002034    PV011   3092    3291    58
                           NC_002034    PV011   3101    3300    58
                           NC_002034    PV011   3127    3327    58
                           NC_002034    PV011   3221    3350    58

Por alguna razón está tomandolo como diferentes grupos. ¿Cómo puedo solucionar este error?

Creo que toma el valor min y máximo del grupo 1 y lo compara los otros grupos sin cambiar los valores máximos ni mínimos cuando se agrupan

Gracias de antemano

3
  • Adrián, te adelanto el tema, en tu pregunta original, mi respuesta se baso en el supuesto que cada fila se comparaba con la anterior y no con el de varias atrás, que en este ejemplo es claro. Me parece que no es tan complejo, si armamos un acumulado por fila, dejamelo pensar un poco. el 8 may. 2020 a las 15:23
  • Muchas gracias Patricio. No me expliqué bien en el post anterior. A la espera de tu respuesta. Gracias de nuevo! el 8 may. 2020 a las 15:33
  • No, no te preocupes, fue falta de imaginación mía, era lógico que fuera así. el 8 may. 2020 a las 15:44

1 respuesta 1

1

Puedes probar con cummax(max) esta función va llevando el mayor max que vas teniendo según las filas:

dataframe %>%
  arrange(lib, sseqid, min, max) %>% 
  group_by(lib, sseqid) %>%
  mutate(curMax = cummax(max)) %>% 
  ungroup %>% 
  mutate(grupo = cumsum(case_when(
           is.na(lag(lib)) ~ 1,    # el primer caso es nuevo grupo
           lib != lag(lib) ~ 1,    # cambió lib, nuevo grupo
           sseqid != lag(sseqid) ~ 1,  # cambió ncbi nuevo grupo
           min > lag(curMax) ~ 1, 
           TRUE ~ 0
           ))) %>%
  group_by(lib, sseqid, grupo) %>% 
  summarise(ssdif = max(max) - min(min))
4
  • Perdona Patricio, hay algunos casos como este: (lib) PV121 (ncbi) NC_001440 (min)1090 (max) 1724 y (lib) PV121 (ncbi) NC_001440 (min)1763 (max) 2114 Que no se solapan y cuando sigo tu script, este los agrupa en el mismo grupo ¿Qué podría hacer? el 8 may. 2020 a las 15:50
  • Lo miro y te digo el 8 may. 2020 a las 15:54
  • @AdriánP.L., revisa mi última edción, me falto manejar el máximo acumulado por grupo. Cualquier cosa me dices el 8 may. 2020 a las 16:04
  • Si, ahora si que funciona. Una vez más muchas gracias Patricio el 8 may. 2020 a las 16:07

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.