迭代两个列表的有效方法（嵌套循环替代）

Question

我有两个数据帧，SCR和SpecificSpecies。 SCR中的项目名称部分包含“特定物种”中列出的物种。

SpecificSpecies$Species
S cerevisiae
Daucus carota

SCR$MESH_HEADINGS
tetracycline CMT-3 
zrg17 protein, S cerevisiae
EP4 glycoprotein, Daucus carota

我正在尝试获取SCR的子集，该子集仅包含那些没有任何匹配种类的条目。 在上述情况下，该列表仅

tetracycline CMT-3.

我学会的方法是使用嵌套循环，将SCR中的每个条目与SpecificSpecies中的每个条目进行比较。 如果找不到匹配项，请将SCR行追加到新表中：

For each row in SCR {
  SpeciesNumber <- 1
  match <-NULL
  while ((is.null(match)) & (SpeciesNumber < length(SpecificSpecies$Species))) {
  if (grepl(SpecificSpecies$Species[SpeciesNumber], SCR[row,]$MESH_HEADING)){
    match <- TRUE}
  SpeciesNumber <- SpeciesNumber + 1}
  if ((is.null(match) & SpeciesNumber == length(SpecificSpecies$Species)) {
    speciesNoMatch = rbind(speciesNoMatch, SCR[row])}
}}

但是，这非常慢，SCR中有65,000个条目，SpecificSpecies中有1500个条目。 有没有办法像这样用lapply嵌套？ 还是其他一些我不熟悉的功能将对您有所帮助？

我确定这是很糟糕的代码。 我是一名医学图书馆员，有时不得不使用R进行数据分析，所以我的编程技能非常有限，但是只要我的解决方案最终可行，它通常是丑陋还是效率低下，这并不重要。 我知道一定有更好的方法可以做到这一点； 原谅我不了解可能是一个简单解决方案的事情。

Answer 1

我认为!(%in%)可以解决问题：

SpecificSpecies <- data.frame(
  Species = c("S cerevisiae", "Daucus carota"),
  stringsAsFactors = FALSE
)

SCR <- data.frame(
  MESH_HEADINGS = c("tetracycline CMT-3", "zrg17 protein", "S cerevisiae", 
                    "EP4 glycoprotein", "Daucus carota"),
  stringsAsFactors = FALSE
)


SCR[!(SCR$MESH_HEADINGS %in% SpecificSpecies$Species), , drop = FALSE]
#        MESH_HEADINGS
# 1 tetracycline CMT-3
# 2      zrg17 protein
# 4   EP4 glycoprotein

, , drop = ...不是错字。 第一个,确保返回所有列/变量。 第二个, drop = FALSE确保返回的结果仍然是数据帧。

更正

好吧，我刚刚注意到你正在寻找grep与Species 。 下面的代码应该工作：

SpecificSpecies <- data.frame(
  Species = c("S cerevisiae", "Daucus carota"),
  stringsAsFactors = FALSE
)

SCR <- data.frame(
  MESH_HEADINGS = c("tetracycline CMT-3",
                    "zrg17 protein, S cerevisiae", 
                    "EP4 glycoprotein, Daucus carota"),
  stringsAsFactors = FALSE
)

matching <- lapply(SpecificSpecies$Species, function(x) {
  grep(x, SCR$MESH_HEADINGS)
})

SCR[-(unlist(matching)), ]
#        MESH_HEADINGS
# 1 tetracycline CMT-3

lapply()使用匿名函数来识别模式匹配。 它遍历每个物种，并将其与每个SCR$MESH_HEADINGS项目进行比较。 它返回匹配索引的列表。

在我们首先unlist匹配索引以使其与子集功能兼容之后，子集（ [] ）会简单地删除匹配索引（ - ）。

Answer 2

大意：

在SpecificSpecies上执行循环，因为它的行较少。 由于SCR数据帧将减少，因此需要递归执行，因此循环每次只处理较少的数据。

通常，软件包data.table或plyr提高性能。 这里是data.table的解决方案

    library(data.table)
SpecificSpecies <- data.frame(Species = c("S cerevisiae", "Daucus carota"),stringsAsFactors = FALSE)
SCR <- data.frame(MESH_HEADINGS = c("tetracycline CMT-3", "zrg17 protein, S cerevisiae","EP4 glycoprotein Daucus carota"),stringsAsFactors = FALSE)

dt_temp <- data.table(SCR)
for (species in SpecificSpecies$Species) {
  dt_temp <- dt_temp[!grepl(species,dt_temp$MESH_HEADINGS), ]
}
dt_result <- dt_temp
dt_result