在非平凡的标准上有效地合并两个数据帧

时间:2013-09-17 02:35:47

标签: r merge data.table

昨晚回答this question,我花了一个小时的时间试图找到一个没有在for循环中成长data.frame的解决方案,没有任何成功,所以我很好奇是否有一个更好的方法来解决这个问题。

问题的一般情况归结为:

  • 合并两个data.frames
  • data.frame中的条目在另一个条目中可以有0个或更多匹配条目。
  • 我们只关心两者之间有一个或多个匹配项的条目。
  • 匹配函数很复杂,涉及data.frame s
  • 中的多个列

对于具体示例,我将使用与链接问题类似的数据:

genes <- data.frame(gene       = letters[1:5], 
                    chromosome = c(2,1,2,1,3),
                    start      = c(100, 100, 500, 350, 321),
                    end        = c(200, 200, 600, 400, 567))
markers <- data.frame(marker = 1:10,
                   chromosome = c(1, 1, 2, 2, 1, 3, 4, 3, 1, 2),
                   position   = c(105, 300, 96, 206, 150, 400, 25, 300, 120, 700))

我们的复杂匹配功能:

# matching criteria, applies to a single entry from each data.frame
isMatch <- function(marker, gene) {
  return(
    marker$chromosome == gene$chromosome & 
    marker$postion >= (gene$start - 10) &
    marker$postion <= (gene$end + 10)
  )
}

对于sqlINNER JOIN的条目,输出应该看起来像两个data.frame的isMatch TRUE。 我尝试构建两个data.frames,以便在另一个data.frame中可以有0个或更多匹配。

我想出的解决方案如下:

joined <- data.frame()
for (i in 1:nrow(genes)) {
   # This repeated subsetting returns the same results as `isMatch` applied across
   # the `markers` data.frame for each entry in `genes`.
   matches <- markers[which(markers$chromosome == genes[i, "chromosome"]),]
   matches <- matches[which(matches$pos >= (genes[i, "start"] - 10)),]
   matches <- matches[which(matches$pos <= (genes[i, "end"] + 10)),]
   # matches may now be 0 or more rows, which we want to repeat the gene for:
   if(nrow(matches) != 0) {
     joined <- rbind(joined, cbind(genes[i,], matches[,c("marker", "position")]))
   }
}

给出结果:

   gene chromosome start end marker position
1     a          2   100 200      3       96
2     a          2   100 200      4      206
3     b          1   100 200      1      105
4     b          1   100 200      5      150
5     b          1   100 200      9      120
51    e          3   321 567      6      400

这是一个非常丑陋和笨拙的解决方案,但我尝试的其他任何事情都遭遇了失败:

  • 使用apply,给了我一个list,其中每个元素都是一个矩阵, 无法rbind他们。
  • 我不能先指定joined的尺寸,因为我没有 知道我到底需要多少行。

我相信我将来会想出这种一般形式的问题。那么解决这类问题的正确方法是什么?

4 个答案:

答案 0 :(得分:4)

我自己通过合并处理了一个非常类似的问题,然后整理出哪些行满足条件。我并不认为这是一个通用的解决方案,如果您正在处理大型数据集,其中几乎没有条件符合条件,这可能效率低下。但要使其适应您的数据:

joined.raw <- merge(genes, markers)
joined <- joined.raw[joined.raw$position >= (joined.raw$start -10) & joined.raw$position <= (joined.raw$end + 10),]
joined
#    chromosome gene start end marker position
# 1           1    b   100 200      1      105
# 2           1    b   100 200      5      150
# 4           1    b   100 200      9      120
# 10          2    a   100 200      4      206
# 11          2    a   100 200      3       96
# 16          3    e   321 567      6      400

答案 1 :(得分:4)

数据表解决方案:滚动连接以实现第一个不等式,然后进行矢量扫描以满足第二个不等式。 join-on-first-inequality将包含比最终结果更多的行(因此可能会遇到内存问题),但它会比this answer中的直接合并小。

require(data.table)

genes_start <- as.data.table(genes)
## create the start bound as a separate column to join to
genes_start[,`:=`(start_bound = start - 10)]
setkey(genes_start, chromosome, start_bound)

markers <- as.data.table(markers)
setkey(markers, chromosome, position)

new <- genes_start[
    ##join genes to markers
    markers, 
    ##rolling the last key column of genes_start (start_bound) forward
    ##to match the last key column of markers (position)
    roll = Inf, 
    ##inner join
    nomatch = 0
##rolling join leaves positions column from markers
##with the column name from genes_start (start_bound)
##now vector scan to fulfill the other criterion
][start_bound <= end + 10]
##change names and column order to match desired result in question
setnames(new,"start_bound","position")
setcolorder(new,c("chromosome","gene","start","end","marker","position"))
   # chromosome gene start end marker position
# 1:          1    b   100 200      1      105
# 2:          1    b   100 200      9      120
# 3:          1    b   100 200      5      150
# 4:          2    a   100 200      3       96
# 5:          2    a   100 200      4      206
# 6:          3    e   321 567      6      400

可以进行双连接,但由于涉及在第二次连接之前重新键入数据表,我不认为它会比上面的矢量扫描解决方案更快。

##makes a copy of the genes object and keys it by end
genes_end <- as.data.table(genes)
genes_end[,`:=`(end_bound = end + 10, start = NULL, end = NULL)]
setkey(genes_end, chromosome, gene, end_bound)

## as before, wrapped in a similar join (but rolling backwards this time)
new_2 <- genes_end[
    setkey(
        genes_start[
        markers, 
        roll = Inf, 
        nomatch = 0
    ], chromosome, gene, start_bound), 
    roll = -Inf, 
    nomatch = 0
]
setnames(new2, "end_bound", "position")

答案 2 :(得分:2)

我使用sqldf包提出了另一个答案。

sqldf("SELECT gene, genes.chromosome, start, end, marker, position 
       FROM genes JOIN markers ON genes.chromosome = markers.chromosome 
       WHERE position >= (start - 10) AND position <= (end + 10)")

使用microbenchmark,它与@ alexwhan的merge[方法的效果相当。

> microbenchmark(alexwhan, sql)
Unit: nanoseconds
     expr min    lq median  uq  max neval
 alexwhan 435 462.5  468.0 485 2398   100
      sql 422 456.5  466.5 498 1262   100

我还尝试在我所处理的相同格式的某些实际数据上测试这两个函数(genes为35,000行,markers为2,000,000行,joined输出达到480,000行。

不幸的是merge似乎无法处理这么多数据,但是在joined.raw <- merge(genes, markers)时出现错误(如果减少行数我就不会得到):

Error in merge.data.frame(genes, markers) : 
  negative length vectors are not allowed

sqldf方法在29分钟内成功运行。

答案 3 :(得分:0)

关于这个问题差不多一年后,你为我解决了......现在我花了一些时间用awk的另一种方式解决这个问题....

awk 'FNR==NR{a[NR]=$0;next}{for (i in a){split(a[i],x," ");if (x[2]==$2 && x[3]-10 <=$3 && x[4]+10 >=$3)print x[1],x[2],x[3],x[4],$0}}' gene.txt makers.txt > genesnp.txt

产生同样的结果:

b   1   100 200 1   1   105
a   2   100 200 3   2   96
a   2   100 200 4   2   206
b   1   100 200 5   1   150
e   3   321 567 6   3   400
b   1   100 200 9   1   120