Filtra data.frame filas por una condición lógica

Question

Quiero filtrar filas de una data.frame basado en una condición lógica. Supongamos que tengo trama de datos como

   expr_value     cell_type
1    5.345618 bj fibroblast
2    5.195871 bj fibroblast
3    5.247274 bj fibroblast
4    5.929771          hesc
5    5.873096          hesc
6    5.665857          hesc
7    6.791656          hips
8    7.133673          hips
9    7.574058          hips
10   7.208041          hips
11   7.402100          hips
12   7.167792          hips
13   7.156971          hips
14   7.197543          hips
15   7.035404          hips
16   7.269474          hips
17   6.715059          hips
18   7.434339          hips
19   6.997586          hips
20   7.619770          hips
21   7.490749          hips

Lo que quiero es conseguir una nueva trama de datos, que tiene el mismo aspecto, pero sólo tiene los datos para un cell_type. P.ej. de subconjunto / seleccione filas que contiene el tipo de célula "HESC":

   expr_value     cell_type
1    5.929771          hesc
2    5.873096          hesc
3    5.665857          hesc

O cualquiera de los tipos de células "de fibroblastos BJ" o "HESC":

   expr_value     cell_type
1    5.345618 bj fibroblast
2    5.195871 bj fibroblast
3    5.247274 bj fibroblast
4    5.929771          hesc
5    5.873096          hesc
6    5.665857          hesc

¿Hay alguna forma fácil de hacer esto?

He intentado:

expr[expr[2] == 'hesc']
# [1] "5.929771" "5.873096" "5.665857" "hesc"     "hesc"     "hesc"    

si la trama de datos original se llama "expr", pero da los resultados en un formato incorrecto como se puede ver.

Answer 1

Para seleccionar filas según uno 'cell_type' (por ejemplo 'HESC'), el uso ==:

expr[expr$cell_type == "hesc", ]

Para seleccionar filas de acuerdo con dos o más diferentes 'cell_type', (por ejemplo, ya sea 'HESC' o 'bj fibroblastos'), el uso %in%:

expr[expr$cell_type %in% c("hesc", "bj fibroblast"), ]

Answer 2

Uso subset (para uso interactivo)

subset(expr, cell_type == "hesc")
subset(expr, cell_type %in% c("bj fibroblast", "hesc"))

o mejor dplyr::filter()

filter(expr, cell_type %in% c("bj fibroblast", "hesc"))

Answer 3

La razón expr[expr[2] == 'hesc'] que no funciona es que para una trama de datos, x[y] selecciona columnas, no las filas. Si desea seleccionar filas, cambiar a la vez x[y,] sintaxis:

> expr[expr[2] == 'hesc',]
  expr_value cell_type
4   5.929771      hesc
5   5.873096      hesc
6   5.665857      hesc

Answer 4

Se puede usar el paquete dplyr:

library(dplyr)
filter(expr, cell_type == "hesc")
filter(expr, cell_type == "hesc" | cell_type == "bj fibroblast")

Answer 5

A veces, la columna que desea filtrar puede aparecer en una posición diferente que el índice de la columna 2 o tener un nombre de variable.

En este caso, sólo tiene que remitir el nombre de la columna que desea filtrar como:

columnNameToFilter = "cell_type"
expr[expr[[columnNameToFilter]] == "hesc", ]

Answer 6

Yo estaba trabajando en una trama de datos y que no tiene suerte con las respuestas proporcionadas, siempre devuelve 0 filas, por lo que se encontró y se utiliza Grepl:

df = df[grepl("downlink",df$Transmit.direction),]

Lo que básicamente recorta mi trama de datos que sólo las filas que contenían "enlace descendente" en la columna de la dirección de transmisión. PD Si alguien puede adivinar por qué no estoy viendo el comportamiento esperado, por favor dejar un comentario.

En concreto a la pregunta original:

expr[grepl("hesc",expr$cell_type),]

expr[grepl("bj fibroblast|hesc",expr$cell_type),]

Answer 7

Nadie parece haber incluido el que funcionan. También puede resultar útil para el filtrado.

expr[which(expr$cell == 'hesc'),]

Esto también se encargará de AN y soltarlos de la trama de datos resultante.

La ejecución de este 9840 en un 24 por trama de datos de 50.000 veces, parece que el método que tiene un tiempo de ejecución de 60% más rápido que el método% en%.

Answer 8

podemos utilizar la biblioteca data.table

  library(data.table)
  expr <- data.table(expr)
  expr[cell_type == "hesc"]
  expr[cell_type %in% c("hesc","fibroblast")]

o filtro utilizando operador %like% para coincidencia de patrones

 expr[cell_type %like% "hesc"|cell_type %like% "fibroblast"]