好吧，我挥舞着我的白旗。
我正在尝试在数据集中计算黄土回归。
我希望黄土计算一组不同的点，将其绘制成每组的一条平滑线。
问题在于，黄土计算转义了dplyr::group_by函数，因此对整个数据集计算了黄土回归。
互联网搜索使我相信这是因为dplyr::group_by并非以这种方式工作。
我只是想不出如何按小组进行这项工作。
这是我尝试失败的一些示例。
test2 <- test %>%
group_by(CpG) %>%
dplyr::arrange(AVGMOrder) %>%
do(broom::tidy(predict(loess(Meth ~ AVGMOrder, span = .85, data=.))))
> test2
# A tibble: 136 x 2
# Groups: CpG [4]
CpG x
<chr> <dbl>
1 cg01003813 0.781
2 cg01003813 0.793
3 cg01003813 0.805
4 cg01003813 0.816
5 cg01003813 0.829
6 cg01003813 0.841
7 cg01003813 0.854
8 cg01003813 0.866
9 cg01003813 0.878
10 cg01003813 0.893
这是可行的，但是我不知道如何将结果应用于原始数据框中的一列。我想要的结果是列x。如果我在单独的一行中将x用作列，则会遇到问题，因为我早先调用了
dplyr::arrange。test2 <- test %>%
group_by(CpG) %>%
dplyr::arrange(AVGMOrder) %>%
dplyr::do({
predict(loess(Meth ~ AVGMOrder, span = .85, data=.))
})
此错误仅因以下错误而失败。
而且它仍然没有被应用为带有
dplyr::mutate的新列fems <- fems %>%
group_by(CpG) %>%
dplyr::arrange(AVGMOrder) %>%
dplyr::mutate(Loess = predict(loess(Meth ~ AVGMOrder, span = .5, data=.)))
这是我的拳头尝试，与我想做的大部分相似。问题在于，这是在整个数据帧而不是在每个CpG组上执行黄土预测的。
我真的被困在这里。我在网上阅读了purr软件包可能会有所帮助，但是我在弄清楚它时遇到了麻烦。
数据如下所示:
> head(test)
X geneID CpG CellLine Meth AVGMOrder neworder Group SmoothMeth
1 40 XG cg25296477 iPS__HDF51IPS14_passage27_Female____165.592.1.2 0.81107210 1 1 5 0.7808767
2 94 XG cg01003813 iPS__HDF51IPS14_passage27_Female____165.592.1.2 0.97052120 1 1 5 0.7927130
3 148 XG cg13176022 iPS__HDF51IPS14_passage27_Female____165.592.1.2 0.06900448 1 1 5 0.8045080
4 202 XG cg26484667 iPS__HDF51IPS14_passage27_Female____165.592.1.2 0.84077890 1 1 5 0.8163997
5 27 XG cg25296477 iPS__HDF51IPS6_passage33_Female____157.647.1.2 0.81623880 2 2 3 0.8285259
6 81 XG cg01003813 iPS__HDF51IPS6_passage33_Female____157.647.1.2 0.95569240 2 2 3 0.8409501
因此，很明显，我想对数据框中的每个唯一CpG进行黄土回归，将所得的“回归y轴值”应用于与原始y轴值(Meth)匹配的列。
我的实际数据集中有数千个CpG，而不仅仅是四个。
https://docs.google.com/spreadsheets/d/1-Wluc9NDFSnOeTwgBw4n0pdPuSlMSTfUVM0GJTiEn_Y/edit?usp=sharing
最佳答案
您可能已经知道了这一点-但如果没有，这里有一些帮助。
基本上，您需要向预测函数提供要预测的值的data.frame(向量也可以工作，但我没有尝试过)。
因此，对于您的情况:
fems <- fems %>%
group_by(CpG) %>%
arrange(CpG, AVGMOrder) %>%
mutate(Loess = predict(loess(Meth ~ AVGMOrder, span = .5, data=.),
data.frame(AVGMOrder = seq(min(AVGMOrder), max(AVGMOrder), 1))))
请注意，黄土需要最少数量的观测值才能运行(〜4？我记不清了)。此外，这将需要一段时间才能运行，因此请对您的部分数据进行测试以确保其正常运行。
关于r - 使用dplyr::group_by()在每个组上进行黄土回归，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/50163106/