在比较下面两个（样本）数据集的过程中，我试图找到每列匹配的相关性（忽略NA＆＃39; s）。我知道我可以在嵌套的for循环中执行此操作，但这会使进程太慢，并且我不确定如何在data.table中执行此向量化。
adf <- structure(c(NA, "CT", NA, "CT", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "TC", NA, "GG", NA, "CC", NA, "GG", NA, "TT", NA, "TC", NA, "GG", NA, "CC", NA, "AG", NA, "TT", NA, "TT", NA, "GG", NA, NA, NA, "GG"), .Dim = c(10L, 10L), .Dimnames = list( c("7:100014471", "7:100038150", "7:100056646", "7:100079759", "7:100103260", "7:100129337", "7:100145085", "7:100195980", "7:100227528", "7:100256942"), c("100099681", "101666591", "102247652", "102284616", "103582612", "104344528", "105729734", "109897137", "112768301", "114724443")))
tdf <- structure(c(NA, "CC", NA, "CT", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "TC", NA, "GG", NA, "CC", NA, "GG", NA, "TT", NA, "TC", NA, "GG", NA, "CC", NA, "AG", NA, "TT", NA, "TT", NA, "GG", NA, NA, NA, "GG"), .Dim = c(10L, 10L), .Dimnames = list( c("7:100014471", "7:100038150", "7:100056646", "7:100079759", "7:100103260", "7:100129337", "7:100145085", "7:100195980", "7:100227528", "7:100256942"), c("100099681", "101666591", "102247652", "102284616", "103582612", "104344528", "105729734", "109897137", "112768301", "114724443")))
tdf[1:10, 1:10]
# 100099681 101666591 102247652 102284616 103582612 104344528 105729734 109897137 112768301 114724443
#7:100014471 NA NA NA NA NA NA NA NA NA NA
#7:100038150 "CC" "CT" "TT" "CT" "CT" "CT" "TT" "CT" "TT" "TT"
#7:100056646 NA NA NA NA NA NA NA NA NA NA
#7:100079759 "TC" "TC" "TC" "TC" "CC" "CC" "CC" "TC" "TC" "TT"
#7:100103260 NA NA NA NA NA NA NA NA NA NA
#7:100129337 NA NA NA NA NA NA NA "GG" "GG" "GG"
#7:100145085 NA NA NA NA NA NA NA NA NA NA
#7:100195980 NA NA NA NA NA NA NA "CC" "CC" NA
#7:100227528 NA NA NA NA NA NA NA NA NA NA
#7:100256942 "GG" "AG" "GG" "GG" "AG" "AG" "AG" "GG" "AG" "GG"
adf[1:10, 1:10]
# 100099681 101666591 102247652 102284616 103582612 104344528 105729734 109897137 112768301 114724443
#7:100014471 NA NA NA NA NA NA NA NA NA NA
#7:100038150 "CT" "CT" "TT" "CT" "CT" "CT" "TT" "CT" "TT" "TT"
#7:100056646 NA NA NA NA NA NA NA NA NA NA
#7:100079759 "TC" "TC" "TC" "TC" "CC" "CC" "CC" "TC" "TC" "TT"
#7:100103260 NA NA NA NA NA NA NA NA NA NA
#7:100129337 NA NA NA NA NA NA NA "GG" "GG" "GG"
#7:100145085 NA NA NA NA NA NA NA NA NA NA
#7:100195980 NA NA NA NA NA NA NA "CC" "CC" NA
#7:100227528 NA NA NA NA NA NA NA NA NA NA
#7:100256942 "GG" "AG" "GG" "GG" "AG" "AG" "AG" "GG" "AG" "GG"
我的预期输出将是这样的，只需要相关行，但为了说明/清晰，我还添加了匹配/不匹配。
100099681 101666591 102247652 102284616 103582612 104344528 105729734 109897137 112768301 114724443
matches 2 3 3 3 3 3 3 5 5 5
mismatch 1 0 0 0 0 0 0 0 0 0
cor 0.67 1 1 1 1 1 1 1 1 1
答案 0 :(得分：1)
我们可以使用colsums：
colSums(adf == tdf, na.rm = TRUE) /
(
colSums(adf == tdf, na.rm = TRUE) +
colSums(adf != tdf, na.rm = TRUE)
)
更清洁的版本：
# cleaner output
matches <- colSums(adf == tdf, na.rm = TRUE)
mismatches <- colSums(adf != tdf, na.rm = TRUE)
allCnt <- matches + mismatches
# output
data.frame(
matches,
mismatches,
allCnt,
myCor = matches / allCnt
)
# matches mismatches allCnt myCor
# 100099681 2 1 3 0.6666667
# 101666591 3 0 3 1.0000000
# 102247652 3 0 3 1.0000000
# 102284616 3 0 3 1.0000000
# 103582612 3 0 3 1.0000000
# 104344528 3 0 3 1.0000000
# 105729734 3 0 3 1.0000000
# 109897137 5 0 5 1.0000000
# 112768301 5 0 5 1.0000000
# 114724443 4 0 4 1.0000000