Question

我正在寻找一种从更大的表中提取大量行的快速方法。我的表格顶部如下：

> head(dbsnp)

      snp      gene distance
rs5   rs5     KRIT1        1
rs6   rs6   CYP51A1        1
rs7   rs7 LOC401387        1
rs8   rs8      CDK6        1
rs9   rs9      CDK6        1
rs10 rs10      CDK6        1

尺寸：

> dim(dbsnp)
[1] 11934948        3

我想选择列表中包含rownames的行：

> head(features)
[1] "rs1367830" "rs5915027" "rs2060113" "rs1594503" "rs1116848" "rs1835693"

> length(features)
[1] 915635

毫不奇怪，执行此操作的简单方法temptable = dbsnp[features,]需要相当很长时间。

我一直在研究如何通过R中的sqldf包来实现这一点。我认为这可能会更快。不幸的是，我无法弄清楚如何在SQL中选择具有某些rownames的行。

感谢。

Answer 1

data.table解决方案：

library(data.table)
dbsnp <- structure(list(snp = c("rs5", "rs6", "rs7", "rs8", "rs9", "rs10"
), gene = c("KRIT1", "CYP51A1", "LOC401387", "CDK6", "CDK6", 
"CDK6"), distance = c(1L, 1L, 1L, 1L, 1L, 1L)), .Names = c("snp", 
"gene", "distance"), class = "data.frame", row.names = c("rs5", 
"rs6", "rs7", "rs8", "rs9", "rs10"))

DT <- data.table(dbsnp, key='snp')
features <- c('rs5', 'rs7', 'rs9')
DT[features]

   snp      gene distance
1: rs5     KRIT1        1
2: rs7 LOC401387        1
3: rs9      CDK6        1

Answer 2

使用sqldf，您需要rownames = TRUE，然后您可以使用row_names查询rownames：

library(sqldf)

## input

test<-read.table(header=T,text="      snp      gene distance
rs5   rs5     KRIT1        1
rs6   rs6   CYP51A1        1
rs7   rs7 LOC401387        1
rs8   rs8      CDK6        1
rs9   rs9      CDK6        1
rs10 rs10      CDK6        1
")
features<-c("rs5","rs7","rs10")

## calculate

inVar <- toString(shQuote(features, type = "csh")) # 'rs5','rs7','rs10'

fn$sqldf("SELECT * FROM test t
          WHERE t.row_names IN ($inVar)"
           , row.names = TRUE)

## result
#      snp      gene distance
#rs5   rs5     KRIT1        1
#rs7   rs7 LOC401387        1
#rs10 rs10      CDK6        1

更新：或者fet是features列包含要查找的必需项目的数据框：

fet <- data.frame(features)
sqldf("SELECT t.* FROM test t
          WHERE t.row_names IN (SELECT features FROM fet)"
           , row.names = TRUE)

此外，如果数据足够大，我们可以使用索引加快速度。有关此信息和其他详细信息，请参阅sqldf home page。

Answer 3

大多数人最初尝试的方式是：

dbsnp[ rownames(dbsnp) %in% features, ]  # which is probably slower than your code

因为您说这需要很长时间，所以我怀疑您已经超出了RAM容量并开始使用虚拟内存。你应该关闭你的系统，然后只用R作为正在运行的应用程序重新启动，看看你是否可以避免“虚拟化”。

快速选择R中表格中的行？

3 个答案: