根据字符串中的组合值集过滤行

对于此特定示例数据，一种选择是从行重叠中创建igraph图表，检测结果图中的连通分量，并使用分量的簇 ID 作为分组变量。从那里我们可以从每个组中挑选第一行。

library(dplyr)
library(igraph)

df <- data.frame(overlap = c("1,2,3", "1,2,3", "1,2,3,4", "3,4", 
                              "5,6", "5,6,7", "6,7", 
                              "8,9", "8,9,10", "9,10", 
                              "11,12,13", "11,12,13", 
                              "11,12,13,14", "13,14", 
                              "15,16", "15,16,17", "16,17", 
                              "18,19", "18,19,20", "19,20"))


df |> 
  mutate(id = row_number(), .before = 1) |> 
  group_by(
    g_clust = 
      strsplit(overlap, ",") |> 
      # either create a directed graph or set duplicate = FALSE for 
      # corner cases like `overlap = c("1", "1,2,3", ...)`
      graph_from_adj_list(mode = "all", duplicate = FALSE) |> 
      components() |> 
      getElement("membership")
    ) |> 
  slice_head(n = 1)
#> # A tibble: 6 × 3
#> # Groups:   g_clust [6]
#>      id overlap  g_clust
#>   <int> <chr>      <dbl>
#> 1     1 1,2,3          1
#> 2     5 5,6            2
#> 3     8 8,9            3
#> 4    11 11,12,13       4
#> 5    15 15,16          5
#> 6    18 18,19          6

重叠图供参考：

strsplit(df$overlap, ",") |> 
  graph_from_adj_list(mode = "all", duplicate = FALSE) |>
  plot()

我们可以尝试{ivs}：

x = vapply(strsplit(unique(overlap), ","), 
           \(i) as.numeric(i[c(1, length(i))]), numeric(2))

library(ivs)
int = iv_groups(iv(x[1, ], x[2, ]))

给予

> as.data.frame(int)
         y
1   [1, 4)
2   [5, 7)
3  [8, 10)
4 [11, 14)
5 [15, 17)
6 [18, 20)

vapply有点多余，因为我们调用了好as.numeric几次。你真的想将逗号分隔的整数存储为字符吗？

transform(as.data.frame(int), 
          s = Vectorize(\(x, y) toString(x:y))(iv_start(int), iv_end(int) - 1))

给予

       int          s
1   [1, 4)    1, 2, 3
2   [5, 7)       5, 6
3  [8, 10)       8, 9
4 [11, 14) 11, 12, 13
5 [15, 17)     15, 16
6 [18, 20)     18, 19

编辑

@Chris 在下面的评论中说得对。我应该添加一些解释。

（1）重新构造数据。拆分字符串，找到第一个和最后一个值，强制转换character为numeric。

x = # we assign the output of the pipe x |> ... |> ... to x 
  overlap |> # access the data
  unique() |> # get rid of duplicates (not needed)
  strsplit(",") |> # split on ",", we might want to add fixed=TRUE
  # returns a list of character vectors, so we iterate over it with lapply
  lapply(\(x) x[c(1, length(x))]) |> # get first and last element
  # "1,2,3" ---> "1" "2" "3" has length 3 while "3" "4" has length 2
  do.call(what="rbind") |> # list to 2-column matrix 
  type.convert(as.is=TRUE) # we coerce from character to numeric 

给出

> x
      [,1] [,2]
 [1,]    1    3
 [2,]    1    4
 [3,]    3    4
 [4,]    5    6
 [5,]    5    7
 [6,]    6    7
 [7,]    8    9
 [8,]    8   10
 [9,]    9   10
[10,]   11   13
[11,]   11   14
[12,]   13   14
[13,]   15   16
[14,]   15   17
[15,]   16   17
[16,]   18   19
[17,]   18   20
[18,]   19   20
> 
> # of 
> class(x)
[1] "matrix" "array" 

这显然假设最小整数在第一个位置，最大整数在最后一个位置——这是一个合理的假设吗？否则我们应该先强制转换为数字，然后应用于range每个列表元素。

（2）为了创建区间向量，我们使用。摘自其文档（参见）：iv()help(iv)

iv() 根据起始和终止向量创建一个区间向量。这是您通常创建区间向量的方法，并且通常与数据框中的列一起使用。

IE

> library(ivs)
> y = iv(x[, 1], x[, 2])
> y
<iv<integer>[18]>
 [1] [1, 3)   [1, 4)   [3, 4)   [5, 6)   [5, 7)   [6, 7)   [8, 9)   [8, 10) 
 [9] [9, 10)  [11, 13) [11, 14) [13, 14) [15, 16) [15, 17) [16, 17) [18, 19)
[17] [18, 20) [19, 20)

最后，我们使用iv_groups。来自help(iv_groups)：

该函数系列围绕在单个 iv 内对重叠间隔进行分组。当多个重叠间隔组合在一起时，它们会生成一个更宽的间隔，其中包含重叠中最小的 iv_start() 和最大的 iv_end()。

> z = iv_groups(y)
> z
<iv<integer>[6]>
[1] [1, 4)   [5, 7)   [8, 10)  [11, 14) [15, 17) [18, 20)

（3）看起来您想要的输出是一个字符向量，其中剩余间隔的所有整数序列粘贴在一起。

为了实现这一点，我们使用ivs::iv_start()和ivs::iv_end()来访问每个间隔的边界。现在我们想生成规则序列。不幸的是，:不是矢量化的，因此我们引入：

seq2str = Vectorize(\(from, to) toString(from:to))

toSpring()是的包装器format()，它的帮助页面状态

默认方法首先将 x 转换为字符，然后连接用“，”分隔的元素。

将我们的自定义函数应用到每个开始和结束处得到

> seq2str(from = iv_start(z), to = iv_end(z) - 1)
[1] "1, 2, 3"    "5, 6"       "8, 9"       "11, 12, 13" "15, 16"     "18, 19"      

笔记

您也可以使用这个较短的版本。

# input data 
overlap = c("1,2,3", "1,2,3", "1,2,3,4", "3,4", "5,6", "5,6,7", "6,7", "8,9", 
            "8,9,10", "9,10", "11,12,13", "11,12,13", "11,12,13,14", "13,14",
            "15,16", "15,16,17", "16,17", "18,19", "18,19,20", "19,20")
# piped version
library(ivs)
overlap |> 
  strsplit(",") |> 
  lapply(\(x) x[c(1, length(x))]) |> 
  do.call(what="rbind") |>
  type.convert(as.is=TRUE) |>
  list(. = _) |>
  with(iv(.[, 1], .[, 2])) |>
  iv_groups() |>
  list(. = _) |>
  with(Vectorize(\(from, to) toString(from:to))(iv_start(.), to = iv_end(.) - 1))

我们使用一个技巧来利用来自基础的前向管道运算符。

这是一个igraph选项

df %>%
    mutate(id = str_c("r", row_number()), .before = 1) %>%
    separate_longer_delim(overlap, ",") %>%
    graph_from_data_frame() %>%
    components() %>%
    membership() %>%
    enframe() %>%
    filter(startsWith(name, "r")) %>%
    mutate(name = as.integer(sub("\\D", "", name))) %>%
    arrange(name) %>%
    slice_head(n = 1, by = value) %>%
    pull(name) %>%
    slice(.data = df)

如果我们运行如下所示的虚拟数据集（与 OP 的数据示例略有不同，请参见第一个overlap值）

df <- data.frame(overlap = c(
    "1", "1,2,3", "1,2,3,4", "3,4",
    "5,6", "5,6,7", "6,7",
    "8,9", "8,9,10", "9,10",
    "11,12,13", "11,12,13",
    "11,12,13,14", "13,14",
    "15,16", "15,16,17", "16,17",
    "18,19", "18,19,20", "19,20"
))

我们将获得

   overlap
1        1
2      5,6
3      8,9
4 11,12,13
5    15,16
6    18,19

OP 问题的原始数据（从"1,2,3"第一个值开始）给出

   overlap
1    1,2,3
2      5,6
3      8,9
4 11,12,13
5    15,16
6    18,19