Question

我有两个数据帧：df1提供给定符号的坐标，而df2提供开始和结束坐标。我需要获取df2中每个开始和结束坐标之间的符号序列。

例如：

set.seed(1)
df1 <- data.frame(POS = 1:10000000,
              REF = sample(c("A", "T", "G", "C"), 10000000, replace = T))

df2 <- data.frame(start = sample(1:5000000, 10, replace = T),
                 end = sample(5000001:10000000, 10, replace = T))

我尝试过使用for循环：

system.time( {                
df2$seq <- NA
for(i in 1:nrow(coords)){
  df2$seq[i] <- paste(ref$REF [ c( which(ref$POS == coords$start[i]) : which(ref$POS == coords$end[i]) ) ], collapse = "")
}
})

并使用手动矢量化：

mongoose <- function(from, to){
  string <- paste(
    ref$REF [ c( which(ref$POS == from) : which(ref$POS == to) ) ],
    collapse = "")
  return(string)
}

mongoose_vec <- Vectorize(mongoose, vectorize.args = c("from", "to"))

system.time({
  sequences <- mongoose_vec(from = df2$start, to = df2$end)
  })

但是，这两种方法都以相似的速度执行，并且不够快，因为我要应用它们的数据集非常大。是否有人对如何提高性能有任何建议？

Answer 1

Vectorize不会大大加快您的任务，因为它只会减少开销，但是大多数计算都在循环本身内。

您可以采用的一种方法是将ref存储为长字符串并使用substr函数。

ref2 <- paste0(ref$REF, collapse="")
system.time({
sequences2 <- sapply(1:nrow(coords), function(i) {
  substr(ref2, coords$start[i], coords$end[i])
})
})

user  system elapsed 
  0.135   0.010   0.145

您的原始代码：

system.time({
  sequences <- mongoose_vec(from = coords$start, to = coords$end)
})

   user  system elapsed 
  7.914   0.534   8.461

结果相同：

identical(sequences, sequences2) 
TRUE

PS：我假设df1是ref，而df2是coords。

如何在R

1 个答案: