R tidyverse：指定した列の値の並べ替え「arrange」の使い方

バイオインフォマティクスでは、大量のデータを効率的に処理し、解析することが求められます。そのために、R の tidyverse パッケージ群が強力なツールとなります。特に、dplyr パッケージを活用すると、データのフィルタリング、集計、変換、並べ替えが簡単に行えます。

本記事では、dplyr の arrange() 関数に焦点を当て、基本的な使い方から応用テクニックまで詳しく解説します。バイオインフォマティクスにおけるデータ解析で、どのように arrange() を活用できるかを考えながら学んでいきましょう。

1. arrange() の基本
1. 1.1 arrange() の基本構文
2. 1.2 昇順での並べ替え
  1. 例：バイオインフォマティクスの遺伝子データを並べ替える
  2. 出力
2. desc() を使った降順ソート
3. 複数の列で並べ替える
4. arrange() を活用した応用テクニック
1. 4.1 NA の処理
  1. 出力
5. バイオインフォマティクスの実践例
1. 例：Top 10 遺伝子を取得
まとめ
1. ポイントのおさらい

1. arrange() の基本

1.1 arrange() の基本構文

arrange() は、データフレームの行を指定した列の値に基づいて並べ替える関数です。

arrange(.data, ...)

.data：データフレーム（または tibble）
...：並べ替えに使用する列（複数指定可）

1.2 昇順での並べ替え

arrange() を使うと、デフォルトで 昇順（ascending order） に並べ替えられます。

例：バイオインフォマティクスの遺伝子データを並べ替える

library(tidyverse)

# サンプルデータ（遺伝子発現量データ）
gene_data <- tibble(
  gene = c("BRCA1", "TP53", "MYC", "EGFR", "PTEN"),
  expression = c(12.5, 8.3, 15.2, 10.1, 5.7)
)

# 発現量を昇順で並べ替え
gene_data %>% arrange(expression)

出力

# A tibble: 5 × 2
  gene  expression
  <chr>      <dbl>
1 PTEN        5.7
2 TP53        8.3
3 EGFR       10.1
4 BRCA1      12.5
5 MYC        15.2

発現量 (expression) の小さい順に並べ替えられました。

2. desc() を使った降順ソート

発現量の高い遺伝子を優先的に表示したい場合、降順（descending order） でソートする必要があります。そのためには、desc() を使用します。

gene_data %>% arrange(desc(expression))

出力

# A tibble: 5 × 2
  gene  expression
  <chr>      <dbl>
1 MYC        15.2
2 BRCA1      12.5
3 EGFR       10.1
4 TP53        8.3
5 PTEN        5.7

このように、desc(expression) を指定すると、発現量の大きい遺伝子が上位に表示されます。

3. 複数の列で並べ替える

arrange() は複数の列を指定できます。例えば、複数の条件を持つデータを並べ替える場合に便利です。

例：複数の条件でソート

# サンプルデータ
gene_data_extended <- tibble(
  gene = c("BRCA1", "TP53", "MYC", "EGFR", "PTEN", "BRCA1", "TP53"),
  sample = c("A", "A", "A", "A", "B", "B", "B"),
  expression = c(12.5, 8.3, 15.2, 10.1, 9.8, 14.3, 7.2)
)

# サンプルごとに遺伝子発現量の降順で並べ替え
gene_data_extended %>% arrange(sample, desc(expression))

出力

# A tibble: 7 × 3
  gene  sample expression
  <chr> <chr>      <dbl>
1 MYC   A         15.2
2 BRCA1 A         12.5
3 EGFR  A         10.1
4 TP53  A          8.3
5 BRCA1 B         14.3
6 PTEN  B          9.8
7 TP53  B          7.2

sample 列を昇順（A → B）で並べ替えた後、各サンプル内で expression を降順にソートしています。

4. arrange() を活用した応用テクニック

4.1 NA の処理

バイオインフォマティクスのデータでは、NA（欠損値）が含まれることがよくあります。arrange() では、NA はデフォルトで最後に配置されます。

gene_data_na <- tibble(
  gene = c("BRCA1", "TP53", "MYC", "EGFR", "PTEN"),
  expression = c(12.5, 8.3, NA, 10.1, 5.7)
)

# NA を含むデータを並べ替え
gene_data_na %>% arrange(expression)

出力

# A tibble: 5 × 2
  gene  expression
  <chr>      <dbl>
1 PTEN        5.7
2 TP53        8.3
3 EGFR       10.1
4 BRCA1      12.5
5 MYC         NA

NA を先に持ってきたい場合は、is.na() を活用して以下のように処理できます。

gene_data_na %>% arrange(desc(is.na(expression)), expression)

5. バイオインフォマティクスの実践例

バイオインフォマティクスでは、大量の遺伝子発現データやサンプル情報を処理する必要があります。例えば、RNA-seq のデータ解析で、発現量の高い遺伝子を優先的に解析したい場合、arrange() を使って並べ替えることで、効率的にデータを抽出できます。

例：Top 10 遺伝子を取得

gene_data %>% arrange(desc(expression)) %>% head(10)

このように head(10) を組み合わせることで、発現量の高い 10 個の遺伝子を取得できます。

まとめ

arrange() はシンプルながら強力な関数であり、データの並べ替えを直感的に行えます。特に、バイオインフォマティクスの分野では、遺伝子発現データやサンプル情報を扱う際に頻繁に使用されます！！

ポイントのおさらい

基本の並べ替え：arrange(df, column)
降順ソート：arrange(df, desc(column))
複数の条件で並べ替え：arrange(df, column1, desc(column2))
NA の処理：arrange(df, desc(is.na(column)), column)

tidyverse の力を活用して、効率的にデータ解析を進めましょう〜！