Question

我有一个data.table，有两列基因，每行被视为一对。一些基因对重复，顺序颠倒。我正在寻找一种更快的方法，最好不使用像我提供的那样的循环，以保持我的表中的唯一对。

library(data.table)
genes <- data.table(geneA = LETTERS[1:10], geneB = c("C", "G", "B", "E", "D", "I", "H", "J", "F", "A"))

revG <- genes[,.(geneA = geneB, geneB = geneA)]
d <- fintersect(genes, revG)

for (x in 1:nrow(d)) {
  entry <- d[,c(geneA[x], geneB[x])]; revEntry <- rev(entry)
  dupEntry <- d[geneA %chin% revEntry[1] & geneB %chin% revEntry[2]]
  if (nrow(dupEntry) > 0) {
    d <- d[!(geneA %chin% dupEntry[,geneA] & geneB %chin% dupEntry[,geneB])]
  }
}

表对象d包含重复的反向对。循环之后，剩下一个副本。我使用原始基因表并获取了一个子集，不包括d中的副本并存储索引。我有一个列表，其名称与genes中的第一列相同。索引用于根据使用循环删除的重复对来过滤列表。

idx <- genes[!(geneA %chin% d[,geneA] & geneB %chin% d[,geneB]), which = TRUE]

geneList <- vector("list", length = nrow(genes)); names(geneList) <- genes[,geneA]
geneList <- geneList[idx]

上述方法不一定太慢，但我打算使用~12K基因，因此速度可能会很明显。我发现question发布了相同的问题，但没有使用data.table。它使用apply函数来完成工作，但在处理更大的数字时也可能会很慢。提前致谢。

Answer 1

我相信，你所要求的是类似的，给定2的排列列表，我怎样才能得到这些组合。这可以是一个选项，使用igraph。

library(data.table)
library(igraph)
genes <- data.table(geneA = LETTERS[1:10], geneB = c("C", "G", "B", "E", "D", "I", "H", "J", "F", "A"))
g <-graph_from_data_frame(genes, directed = F)
g <- simplify(g, remove.multiple = T, remove.loops = T)
get.data.frame(g)
  from to
1    A  C
2    A  J
3    B  C
4    B  G
5    D  E
6    F  I
7    G  H
8    H  J

#benchmark
set.seed(1283782)
fn1<-function(genes){
  g <-graph_from_data_frame(genes, directed = F)
  g <- simplify(g, remove.multiple = T, remove.loops = T)
  get.data.frame(g)}
genes <- data.table(geneA = sample(LETTERS, 20000, T), geneB = sample(LETTERS, 20000, T))
microbenchmark(fn1(genes), times = 1)
       expr      min       lq     mean   median       uq      max neval
 fn1(genes) 8.605717 8.605717 8.605717 8.605717 8.605717 8.605717     1

删除反向重复行R.

1 个答案: