r - 根据一个列值是否在另外两个列值之间(范围)，将新列添加到带有标签的数据框中

Question

我有一个数据框(大约 300 行)，其中一列称为“geneID”:

geneID   distance  pvalue
4        30        0.05
409      0         0.001
60       41        0.02
...

我有第二个数据框，它指示构成较大抗生素生物合成基因簇的基因范围(染色体中大约有 30 个基因簇):

ClusterID           start   end
Chloramphenicol     100     130
NRPS                403     489
Terpene             5021    5109
...

如果 geneID 位于该基因簇的“开始”和“停止”之间，我想要做的是向数据框 1 添加另一列，并标记为数据框 2 的相应“clusterID”:

geneID   distance  pvalue  ClusterID
4        30        0.05    NA
409      0         0.001   NRPS
60       41        0.02    NA

我试过在 mutate 函数中使用向量作为值:

ChIP_table %>%
  mutate(ClusterID = case_when((ID >= biosynthetic_clusters$start & ID <= biosynthetic_clusters$end) ~ biosynthetic_clusters$Cluster,
                               TRUE ~ "NA"))

这没有用。不知道从这里去哪里。我已经尝试构建一个 for 循环，但仍然无法找到一种方法来使用向量/列值作为条件来排序/标记。

如有任何帮助，我们将不胜感激!

Answer 1

您可以使用cut 函数。假设您的数据框是 df:

breaks <- c(100, 130, 403, 489, 5021, 5109)
labels <- c("Chloramphenicol", NA, "NRPS", NA, "Terpene")

df$ClusterID <- cut(df$geneID, breaks = breaks, labels = labels, include.lowest = TRUE)

中断是开始值、结束值。标签是每个可行范围的 ClusterID 名称。 NA 标签用于可行范围间隙。因此，对于落在 ClusterID 范围内的 geneID，它们将被分配 ClusterID 名称，否则为 NA。所以一些前期的工作是输入标签向量。 (您可以编写一个函数来执行此操作。)但我认为它会起作用。