[英]How to perform marker based correction of data frame in R (cross-referencing data frames)?
[英]Cross-referencing data frames without using for loops
我在使用for循环交叉引用2个数据帧的速度方面遇到问题。 总体目标是识别数据框2中位于数据框1中指定的坐标之间的行(并满足其他条件)。 例如df1:
chr start stop strand
1 chr1 179324331 179327814 +
2 chr21 45176033 45182188 +
3 chr5 126887642 126890780 +
4 chr5 148730689 148734146 +
DF2:
chr start strand
1 chr1 179326331 +
2 chr21 45175033 +
3 chr5 126886642 +
4 chr5 148729689 +
我当前的代码是:
for (index in 1:nrow(df1)) {
found_miRNAs <- ""
curr_row = df1[index, ];
for (index2 in 1:nrow(df2)){
curr_target = df2[index2, ]
if (curr_row$chrm == curr_target$chrm & curr_row$start < curr_target$start & curr_row$stop > curr_target$start & curr_row$strand == curr_target$strand) {
found_miRNAs <- paste(found_miRNAs, curr_target$start, sep=":")
}
}
curr_row$miRNAs <- found_miRNAs
found_log <- rbind(Mcf7_short_aUTRs2,curr_row)
}
我的实际数据帧是df1的400行,而df2的> 100000行,我希望进行500次迭代,因此,正如您可以想象的那样,这是行不通的。 我对R还是比较陌生,因此任何可能提高此效率的函数提示都将是很棒的。
也许速度不够快,但可能更快并且更容易阅读:
df1 <- data.frame(foo=letters[1:5], start=c(1,3,4,6,2), end=c(4,5,5,9,4))
df2 <- data.frame(foo=letters[1:5], start=c(3,2,5,4,1))
where <- sapply(df2$start, function (x) which(x >= df1$start & x <= df1$end))
这将为df2中的每一行提供df1中相关行的列表。 我刚刚在df1中尝试了500行,在df2中尝试了50000行。 一两秒就完成了。
要添加条件,请在sapply
更改内部函数。 然后,如果您想where
第二个数据框中放置where
,则可以执行例如
df2$matching_rows <- sapply(where, paste, collapse=":")
但是您可能希望将其保留为列表,这是它的自然数据结构。
实际上,您甚至可以在数据框中添加一个列表列:
df2$matching_rows <- where
尽管这很不寻常。
当您从另一种编程语言进入R时,您遇到了两个最常见的错误。 使用for循环代替基于向量的操作,并动态附加到数据对象。 我建议随着您的流利程度的提高,您需要花一些时间阅读Patrick Burns的R Inferno ,它可以对这些问题和其他问题提供一些有趣的见解。
正如@David Arenburg和@ zx8754在上面的评论中指出的那样,有专门的软件包可以解决问题,而data.table
软件包和data.table
的方法对于较大的数据集可能非常有效。 但是对于您的案例,R也可以非常有效地执行您需要的操作。 在这里,我将记录一种方法,为清晰起见,还提供了一些比必要的步骤多的步骤,以防您感兴趣:
set.seed(1001)
ranges <- data.frame(beg=rnorm(400))
ranges$end <- ranges$beg + 0.005
test <- data.frame(value=rnorm(100000))
## Add an ID field for duplicate removal:
test$ID <- 1:nrow(test)
## This is where you'd set your criteria. The apply() function is just
## a wrapper for a for() loop over the rows in the ranges data.frame:
out <- apply(ranges, MAR=1, function(x) test[ (x[1] < test$value & x[2] > test$value), "ID"])
selected <- unlist(out)
selected <- unique( selected )
selection <- test[ selected, ]
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.