我有两个大型数据集想要相互匹配
library(tidyverse)
df1 <- tibble(position=c(10,11,200,250,300))
df1
#> # A tibble: 5 × 1
#> position
#> <dbl>
#> 1 10
#> 2 11
#> 3 200
#> 4 250
#> 5 300
df2 <- tibble(start=c(1,10,200,251),
end=c(20,100,250,350),
name=c("geneA","geneB","geneC","geneD"))
df2
#> # A tibble: 4 × 3
#> start end name
#> <dbl> <dbl> <chr>
#> 1 1 20 geneA
#> 2 10 100 geneB
#> 3 200 250 geneC
#> 4 251 350 geneD
由 reprex package 于 2022 年 3 月 3 日创建(v2.0.1)
我有df1中基因的位置,我想根据范围找到(start-end)从df2这个位置可以找到多少个基因。
我希望我的数据看起来像这样
position start end name
<dbl> <dbl> <dbl> <chr>
1 10 1 20 geneA
2 10 10 100 geneB
3 11 1 20 geneA
4 11 10 100 geneB
5 200 200 250 geneC
6 250 200 250 geneC
7 300 251 350 geneD
解决这个问题的一种方法是通过交叉和过滤
df1 %>%
crossing(df2) %>%
filter(position >= start & position <= end)
但是我的数据集太大,无法交叉或扩展。还有其他想法吗?
最佳答案
1) SQL引擎无需交叉即可执行此类操作。 (如果添加索引,可能会加快速度。)
library(sqldf)
sqldf("select *
from df1 a
join df2 b on a.position between b.start and b.end")
2) data.table还可以做一些类似sql的操作。 (要小心,因为每次比较中的第一个变量必须来自第一个数据表,第二个变量必须来自第二个数据表。它们不能重新排序,因此,例如,第一个比较不能写为position <= start,即使它在数学上是相同的。)同样,添加索引可以提高速度。
library(data.table)
dt1 <- as.data.table(df1)
dt2 <- as.data.table(df2)[, c("start2", "end2") := .(start, end)]
dt2[dt1, on = .(start <= position, end >= position)]
关于r - R tidyverse 中根据另一个数据帧中的范围匹配一个数据帧,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/71337669/