对表型数据框进行去冗余

上次GEO课程回答了学员问题：使用R语言在向量的任何位置插入任何元素 实力演示了如何自定义函数，这样大家就可以无限制创造方法来解决自己特殊的需求，课后一个月的答疑期，发现大家还是有各式各样的问题，比如下面的表型信息；

很明显，有些信息是冗余的，有些是有效信息可以用来分组，但是表型记录太多，看起来会混淆，所以需要去除那些冗余信息，就是在所有样本里面表型记录都一致的列。

然后我发现， 非常多的学员都无从下手，其实就是数据框取子集，我一直强调了3种方法，坐标、列名和逻辑判断，这个时候很明显应该是逻辑判断，就是看看每一列是否是冗余信息。我们来举一个例子，下面的代码创建一个模拟的表型信息；

pd=data.frame(1:10,4,7,3,'a','d',
              LETTERS[1:10],letters[1:10],
              c(rep('a',5),rep('b',5)))

如下所示，只有第1列和最后3列是有信息的，中间的列在所有行都是同一个元素，就是我们所认为的冗余信息，需要去除。

我们首先判断第一列非冗余元素的个数，下面的代码

length(unique(pd[,1]))

然后对每一列都使用同样的代码，那就是apply技巧：

apply(pd, 2, function(x){
  length(unique(x))
})

这个时候里面的x就是每一列。

这样虽然是判断了每一列的非冗余元素个数，但并不是逻辑值，没办法去用来对数据框取子集。

需要加上一个判断，就是元素个数大于一才保留；

apply(pd, 2, function(x){
  length(unique(x)) > 1 
})

现在就是依据每一列返回一个逻辑值，这个逻辑值就可以去原始数据框里面进行取子集操作；

pd[,apply(pd, 2, function(x){
  length(unique(x))>1
})
]

是不是很简单！

再次强调3种方法数据框里面进行取子集操作，坐标、列名和逻辑判断，其中逻辑判断是最常见的。

“

如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程

”

---