Question

情景：

2列dataframe_1（300,000行）

头（dataframe_1）：

CHR POS

1 2000

1 3000

2 1500

3 3000

3列dataframe_2（300行）

头（dataframe_2）：

CHR POS_START POS_END

1 1500 2500

1 3200 4000

2 1200 1600

2 2000 2200

3 5000 5500

4 1000 1200

目标是获取dataframe_1并将每行的POS列与dataframe_2（列POS_START和POS_END）进行比较，并返回一个向量（length = nrow（dataframe_1）），该向量指示dataframe_1的哪一行列出其中的POS值dataframe_2中指示的范围。请注意，每个POS值都链接到特定的CHR值。

示例返回向量：

CHR POS EXAMPLE_RETURN_VECTOR

1 2000 TRUE

1 3000 FALSE

2 1500 TRUE

3 3000 FALSE

这里最好的策略是什么？

谢谢！

Answer 1

以下是dplyr的回答：

library(dplyr)

df1 <- tribble(
     ~CHR, ~POS,
     1,  2000,                  
     1,  3000,
     2,  1500,
     3,  3000
)

df2 <- tribble(
     ~CHR, ~POS_START, ~POS_END,
     1, 1500, 2500,                  
     1, 3200, 4000,
     2, 1200, 1600,
     2, 2000, 2200,
     3, 5000, 5500,
     4, 1000, 1200
)

df1 %>% 
     left_join(df2, by = 'CHR') %>% 
     mutate(IN_RANGE = POS >= POS_START & POS <= POS_END) %>% 
     group_by(CHR, POS) %>% 
     summarize(IN_RANGE = sum(IN_RANGE) > 0)

Answer 2

我们可以假设每个CHR值只出现一次吗？我们是否还可以假设CHR中出现的每个dataframe_1值也在dataframe_2中，反之亦然？我们还可以假设两个表都按CHR值排序吗？如果是这样，您可以像这样创建一个新列：

dataframe_1['NEW_COLUMN'] = dataframe_1.POS >= dataframe_2.POS_START & dataframe_1.POS <= dataframe_2.POS_END

如果您无法做出所有这些假设，那么您可以：

1）合并两个匹配CHR值的表，过滤掉缺少数据的行，然后创建新列，或

2）循环遍历dataframe_1的每一行，对于每一行，将POS值与dataframe_2[dataframe_2.POS_START == dataframe_1.POS_START]和dataframe_2[dataframe_2.POS_END == dataframe_1.POS_END]的值进行比较

比较一个数据帧中多行的一个值与第二个数据帧中多行的值

2 个答案: