我得到了两个非常大的数据集,我一直在尝试构建一个函数,该函数可以从一个数据集中找到某些坐标,这些坐标尊重有关另一个数据集的 if 子句。 我的问题是我编写的函数非常慢,尽管我一直在以某种方式阅读类似问题的答案,但我还没有设法使其工作。
所以如果我得到:
>head(CTSS)
V1 V2 V3
1 chr1 564563 564598
2 chr1 564620 564649
3 chr1 565369 565404
4 chr1 565463 565541
5 chr1 565653 565697
6 chr1 565861 565922
和
> head(href)
chr region start end strand nu gene_id transcript_id
1 chr1 start_codon 67000042 67000044 + . NM_032291 NM_032291
2 chr1 CDS 67000042 67000051 + 0 NM_032291 NM_032291
3 chr1 exon 66999825 67000051 + . NM_032291 NM_032291
4 chr1 CDS 67091530 67091593 + 2 NM_032291 NM_032291
5 chr1 exon 67091530 67091593 + . NM_032291 NM_032291
6 chr1 CDS 67098753 67098777 + 1 NM_032291 NM_032291
对于 href 数据集中开始列中的每个值,我想找到 CTSS 数据集第三列中较小的前两个值或等于它并将其保存在新的数据框中。
我写的循环:
y <- CTSS[order(-CTSS$V3), ]
find_CTSS <- function(x, y) {
n <- length(x$start)
foo <- data.frame(matrix(0, n, 6))
for (i in 1:n)
{
a <- which(y$V3 <= x$start[i])
foo[i, ] = c(x$start[i], x$stop[i], y$V2[a[1]], y$V3[a[1]] , y$V2[a[2]], y$V3[a[2]])
}
print(foo)
}
最佳答案
您提供的数据很少 ( but see here ),因此对您的解决方案进行基准测试有点困难。看看以下解决方案是否满足您的需求。
#make some fake data
href <- data.frame(start = runif(10), stop = runif(10), other_col = sample(letters, 10))
CTSS <- data.frame(col1 = runif(100), col2 = runif(100))
# for each row in href (but extract only stop and start columns)
result <- apply(X = href[, c("start", "stop")], MARGIN = 1, FUN = function(x, ctss) {
criterion <- x["start"] #make a criterion
#see which values are smaller or equal to this criterion (and sort them)
extracted <- sort(ctss[ctss$col2 <= criterion, "col2"])
#extract last and one to last value
get.values <- extracted[c(length(extracted) - 1, length(extracted))]
#put values in data frame
out <- as.data.frame(matrix(get.values, ncol = 2))
return(out)
}, ctss = CTSS)
#pancake a list into a data.frame
result <- do.call("rbind", result)
关于r - 向量化包含循环和 if 子句的搜索函数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/7131277/