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
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")
好了，常用的数据去重方法先介绍这些，绝对比论文查重简单多了！
◆ ◆ ◆ ◆ ◆
数据分析相关：
【觉得不错，右下角点个“在看”，期待您的转发，谢谢！】