次のような 287046 x 18 の大きなデータセットがあります (部分的な表現のみ)。
tdf
geneSymbol peaks
16 AK056486 Pol2_only
13 AK310751 no_peak
7 BC036251 no_peak
10 DQ575786 no_peak
4 DQ597235 no_peak
5 DQ599768 no_peak
11 DQ599872 no_peak
12 DQ599872 no_peak
2 FAM138F no_peak
15 FAM41C no_peak
34116 GAPDH both
283034 GAPDH Pol2_only
6 LOC100132062 no_peak
9 LOC100133331 no_peak
14 LOC100288069 both
8 M37726 no_peak
3 OR4F5 no_peak
17 SAMD11 both
18 SAMD11 both
19 SAMD11 both
20 SAMD11 both
21 SAMD11 both
22 SAMD11 both
23 SAMD11 both
24 SAMD11 both
25 SAMD11 both
1 WASH7P Pol2_only
私がやりたいことは、（1）「Pol2_only」または「both」のいずれかであるgeneSymbolを抽出することです。(2) 「両方」ではなく「Pol2_only」である遺伝子シンボルのみ。たとえば、GAPDH は条件 1 を満たしますが、2 を満たしません。
私はこのようなものでplyrを試しました（そこには余分な条件があります、無視してください）：
## grab genes with both peaks
pol2.peaks <- ddply(filem, .(geneSymbol), function(dfrm) subset(dfrm, peaks == "both" | (peaks == "Pol2_only" & peaks == "CBP20_only")), .parallel=TRUE)
## grab genes pol2 only peaks
pol2.only.peaks <- ddply(tdf, .(geneSymbol), function(dfrm) subset(dfrm, peaks != "both" & peaks == "Pol2_only" & peaks != "CBP20_only"), .parallel=TRUE)
しかし、それには長い時間がかかり、それでも間違った答えを返します。たとえば、2 の答えは次のとおりです。
pol2.only.peaks
geneSymbol peaks
1 AK056486 Pol2_only
2 GAPDH Pol2_only
3 WASH7P Pol2_only
ご覧のとおり、GAPDH は存在しないはずです。私の data.table での実装 (これは非常に好ましいため、好ましい) でも同じ結果が得られます。
filem.dt <- as.data.table(tdf)
setkey(filem.dt, "geneSymbol")
test.dt <- filem.dt[ , .SD[ peaks != "both" & peaks == "Pol2_only" & peaks != "CBP20_only"]]
test.dt
geneSymbol peaks
1: AK056486 Pol2_only
2: GAPDH Pol2_only
3: WASH7P Pol2_only
問題は、サブセット化が行ごとに機能しているように思われますが、geneSymbol のサブグループ全体に適用する必要があります。
グループのサブセット化を手伝ってもらえますか? data.table ソリューションは高速ですが、plyr (またはベース R) で問題ないため、歓迎されます。ピークの性質に注意する余分な列を追加するソリューションは完璧です. これが私が意味することです：
tdf
geneSymbol peaks newCol
16 AK056486 Pol2_only Pol2_only
13 AK310751 no_peak no_peak
7 BC036251 no_peak no_peak
10 DQ575786 no_peak no_peak
4 DQ597235 no_peak no_peak
5 DQ599768 no_peak no_peak
11 DQ599872 no_peak no_peak
12 DQ599872 no_peak no_peak
2 FAM138F no_peak no_peak
15 FAM41C no_peak no_peak
34116 GAPDH both both
283034 GAPDH Pol2_only both
6 LOC100132062 no_peak no_peak
9 LOC100133331 no_peak no_peak
14 LOC100288069 both both
8 M37726 no_peak no_peak
3 OR4F5 no_peak no_peak
17 SAMD11 both both
18 SAMD11 both both
19 SAMD11 both both
20 SAMD11 both both
21 SAMD11 both both
22 SAMD11 both both
23 SAMD11 both both
24 SAMD11 both both
25 SAMD11 both both
1 WASH7P Pol2_only Pol2_only
2 つの行で GAPDH が "both" になっていることに注目してください。データは次のとおりです。
dput(tdf)
structure(list(geneSymbol = c("AK056486", "AK310751", "BC036251",
"DQ575786", "DQ597235", "DQ599768", "DQ599872", "DQ599872", "FAM138F",
"FAM41C", "GAPDH", "GAPDH", "LOC100132062", "LOC100133331", "LOC100288069",
"M37726", "OR4F5", "SAMD11", "SAMD11", "SAMD11", "SAMD11", "SAMD11",
"SAMD11", "SAMD11", "SAMD11", "SAMD11", "WASH7P"), peaks = c("Pol2_only",
"no_peak", "no_peak", "no_peak", "no_peak", "no_peak", "no_peak",
"no_peak", "no_peak", "no_peak", "both", "Pol2_only", "no_peak",
"no_peak", "both", "no_peak", "no_peak", "both", "both", "both",
"both", "both", "both", "both", "both", "both", "Pol2_only")), .Names = c("geneSymbol",
"peaks"), row.names = c(16L, 13L, 7L, 10L, 4L, 5L, 11L, 12L,
2L, 15L, 34116L, 283034L, 6L, 9L, 14L, 8L, 3L, 17L, 18L, 19L,
20L, 21L, 22L, 23L, 24L, 25L, 1L), class = "data.frame")
ありがとうございました！
編集 ** 問題の回避策を見つけました。選択は行ごとに行われていました。必要なのはハックだけです。つまり、返される論理ベクトルですべての値が true であることです。だからここに私が plyr 関数でやったことがあります：
ddply(tdf, .(geneSymbol), function(dfrm) subset(dfrm, all(peaks != "both" & peaks == "Pol2_only" & peaks != "CBP20_only")), .parallel=TRUE)
geneSymbol peaks
1 AK056486 Pol2_only
2 WASH7P Pol2_only
条件と一緒に all in を使用することに注意してください。これで、結果は期待どおりになりました。つまり、「Pol2_only」のみ (冗長性アラート) 遺伝子 :) まだやらなければならないことは、data.table での実装です。何か助けはありますか？
誰かがdata.tableでより良い解決策を提示してくれることを期待して、質問への回答を書いていません。