R，在向量化的范围内加入

Question

我正在尝试连接两个数据集，其中一个数据集中的变量(或基因组中的位置)适合第二个数据集中的范围(基因开始/停止位置)。然而，位置不是唯一的，而是嵌套在一个额外的列(染色体)中。基因起始/终止位置也是如此。我的目标是将每个位置与相应的注释和效果链接起来。

例如:

library(sqldf)
set.seed(100)
a <- data.frame(
    annotation = sample(c("this", "that", "other"), 3, replace=TRUE),
    start = seq(1, 30, 10),
    chr = sample(1:3, 3, replace=TRUE)
  )
a$stop <- a$start + 10
b <- data.frame(
    chr = sample(1:3, 3, replace=TRUE),
    position = sample(1:15, 3, replace=TRUE),
    effect = sample(c("high", "low"), 3, replace=TRUE)
  )

SQL 内连接让我参与其中:

df<-sqldf("SELECT a.start, a.stop, a.annotation, b.effect, b.position
    FROM a, b
    inner JOIN a b on(b.position >= a.start and b.position <= a.stop);")

但这并不能解释每条染色体位置的重复。 我在将其包装到循环或应用函数中时遇到概念上的问题。

我对 SQL 并不执着，这只是我以前解决一个更简单问题的方式。我也不确定制作额外的索引列是否合适，因为我有数千个染色体值。

我想要的输出如下所示:

    df$chr<-c("NA","2","2")
      start stop annotation effect position chr
1     1   11       this   high        3  NA
2     1   11       this   high       10  NA
3    11   21       this    low       14   2

每个 position 都位于正确 chr 上的 start 和 stop 点之间，或者给定NA，其中 chr 上没有任何点匹配。

Answer 1

development version data.table 引入了非相等连接，允许:

library(data.table)
setDT(a) # converting to data.table in place
setDT(b)

b[a, on = .(position >= start, position <= stop), nomatch = 0,
  .(start, stop, annotation, effect, x.position, chr = ifelse(i.chr == x.chr, i.chr, NA))]
#   start stop annotation effect x.position chr
#1:     1   11       this   high          3  NA
#2:     1   11       this   high         10  NA
#3:    11   21       this    low         14   2