R数据帧的子集匹配第二个数据帧中的两个列标准

时间:2018-06-01 22:37:08

标签: r dataframe

我正在研究转录组学项目,我有一个数据框,其中的列为#34; SampleIDs"," hugo_name"和" Expression"。由于每个样本有许多基因名称,DF有数千行。我尝试使用一组10个管家基因进行QC步骤,其中我消除了所有"样品ID"其中少于9/10的持家基因表达高于截止值。基本上,我想将DF $ hugo_name中的所有基因与10个基因的列表相匹配,并为每个基因名称检查其表达值,以确保它高于我的截止值列表。

我的数据框有10个管家基因和较低的截断表达值:

    EHK_list <- c("C1orf43", "CHMP2A", "GPI", "PSMB2", "PSMB4", "RAB7A", "REEP5", "SNRPD3", "VCP", "VPS29")
    EHK_minimum <- data_frame("hugo_name" = EHK_list, "expression" = c(2.3697, 3.4964, 2.0620, 2.1240, 4.3081, 8.3988, 1.4969, -0.0066, 2.5436, 5.2886))
      show(EHK_minimum)
     <chr>          <dbl>
     1 C1orf43       2.37  
     2 CHMP2A        3.50  
     3 GPI           2.06  
     4 PSMB2         2.12  
     5 PSMB4         4.31  
     6 RAB7A         8.40  
     7 REEP5         1.50  
     8 SNRPD3       -0.0066
     9 VCP           2.54  
    10 VPS29         5.29 

包含我所有数据的大型DF采用以下形式:

    Sample_ID      hugo_name     Expression     
    Sample_1       SNRPD3        6669.0
    Sample_1       ABCDEF        400.2
         ..
         ..
    Sample_2       RAB7A         1.75
    Sample_2       ZYXVU         9.4

我可以将我的DF分配到EHK_list上的基因:

            QC_geneSubset <- DF[DF$hugo_name %in% EHK_list,]

              sample_ID     hugo_name     expression
              1: Sample1      RAB7A         1382.78
              2: Sample1      C1orf43       11.78
              3: Sample1      CHMP2A        75.5
                   .
                   .
             11: Sample2      RAB7A         33.3
             12: Sample2      C1orf43       12.1
             13: Sample2      CHMP2A        1500
                   .
                   .
             21: Sample3      RAB7A         66
             22: Sample3      C1orf43       1
             23: Sample3      CHMP2A        19
                   .
                   .

但是我无法弄清楚如何只保留DF的行,其中DF&#34; hugo_name&#34; (即基因名称)与EHK_list上的相匹配,并且DF表达值是> =来自EHK_minimum数据帧的截止值。也就是说,我想匹配元组(hugo_name,表达式),并确保样本的表达式值高于我列出的列表中&gt; = 9/10基因的截止值。有什么想法吗?

2 个答案:

答案 0 :(得分:1)

在这种情况下,使用non-equi的{​​{1}}联接可能是一个合适的选项,因为OP愿意检查data.tableexpression中定义的cutoff以上表达式的条件{1}}。

EHK_minimum

数据:根据OP提供的部分数据创建

library(data.table)

setDT(EHK_minimum)
setDT(DF)

DF[EHK_minimum, on=.(hugo_name, expression >= expression), nomatch=0]

#    sample_ID hugo_name expression
# 1:   Sample1   C1orf43     2.3697
# 2:   Sample2   C1orf43     2.3697
# 3:   Sample3    CHMP2A     3.4964
# 4:   Sample1    CHMP2A     3.4964
# 5:   Sample2    CHMP2A     3.4964
# 6:   Sample2     RAB7A     8.3988
# 7:   Sample3     RAB7A     8.3988
# 8:   Sample1     RAB7A     8.3988

答案 1 :(得分:1)

data.table解决方案很棒。为此,有一个dplyr。 请注意,我在密钥data.frame中更改为threshold变量的名称。

     EHK_list <- c("C1orf43", "CHMP2A",
                   "GPI", "PSMB2", "PSMB4", "RAB7A",
                   "REEP5", "SNRPD3", "VCP", "VPS29")

     EHK_minimum <- data_frame("hugo_name" = EHK_list,
                                  "threshold" = c(2.3697, 3.4964, 2.0620,
     2.1240, 4.3081, 8.3988,
     1.4969, -0.0066, 2.5436, 5.2886))

鉴于

    DF <- read.table(text = 
"sample_ID     hugo_name     expression
1: Sample1      RAB7A         1382.78
2: Sample1      C1orf43       11.78
3: Sample1      CHMP2A        75.5
11: Sample2      RAB7A         33.3
12: Sample2      C1orf43       12.1
13: Sample2      CHMP2A        1500
21: Sample3      RAB7A         66
22: Sample3      C1orf43       1
23: Sample3      CHMP2A        19",
header = TRUE, stringsAsFactors = FALSE)

我们加入并过滤

DF %>% left_join(EHK_minimum) %>% filter(expression >= threshold)
Joining, by = "hugo_name"
  sample_ID hugo_name expression threshold
1   Sample1     RAB7A    1382.78    8.3988
2   Sample1   C1orf43      11.78    2.3697
3   Sample1    CHMP2A      75.50    3.4964
4   Sample2     RAB7A      33.30    8.3988
5   Sample2   C1orf43      12.10    2.3697
6   Sample2    CHMP2A    1500.00    3.4964
7   Sample3     RAB7A      66.00    8.3988
8   Sample3    CHMP2A      19.00    3.4964