根据另一列中的共享项目从一列中过滤项目

Question

我有一个表，每个样本都有一个唯一的标识符，还有一个节标识符。 我想提取每个部分的所有距离对比和所有距离对比（此数据来自第二张表）

例如表1

Sample    Section
1         1
2         1
3         1
4         2
5         2
6         3

表2

sample    sample    distance
1         2         10
1         3         1
1         4         2
2         3         5
2         4         10
3         4         11

因此，我想要的输出是一个列表，该列表的距离为：[1 vs 2]，[1 vs 3]，[2 vs 3]，[4 vs 5]-即表2中所有共享一个截面的样本的距离比较表格1

我开始尝试使用嵌套的for循环来执行此操作，但是很快就变得混乱了。

Answer 1

使用dplyr的解决方案。

我们首先可以创建一个数据框，显示每个部分中样本的组合。

library(dplyr)

table1_cross <- full_join(table1, table1, by = "Section") %>%    # Full join by Section
  filter(Sample.x != Sample.y) %>%                               # Remove records with same samples
  rowwise() %>%
  mutate(Sample.all = toString(sort(c(Sample.x, Sample.y)))) %>% # Create a column showing the combination between Sample.x and Sample.y
  ungroup() %>%
  distinct(Sample.all, .keep_all = TRUE) %>%                     # Remove duplicates in Sample.all
  select(Sample1 = Sample.x, Sample2 = Sample.y, Section)
table1_cross
# # A tibble: 4 x 3
#   Sample1 Sample2 Section
#     <int>   <int>   <int>
# 1       1       2       1
# 2       1       3       1
# 3       2       3       1
# 4       4       5       2

然后，我们可以通过table1_cross过滤table2 。 table3是最终输出。

table3 <- table2 %>%                                     
  semi_join(table1_cross, by = c("Sample1", "Sample2")) # Filter table2 based on table1_corss

table3
#   Sample1 Sample2 distance
# 1       1       2       10
# 2       1       3        1
# 3       2       3        5

数据

table1 <- read.table(text = "Sample    Section
1         1
                     2         1
                     3         1
                     4         2
                     5         2
                     6         3",
                     header = TRUE, stringsAsFactors = FALSE)

table2 <- read.table(text = "Sample1    Sample2    distance
1         2         10
                     1         3         1
                     1         4         2
                     2         3         5
                     2         4         10
                     3         4         11",
                     header = TRUE, stringsAsFactors = FALSE)

Answer 2

OP要求找到与table2共享一个table1部分的样本的所有table2距离比较。

这可以通过两种不同的方法来实现：

1. 查找为各个部分IDS Sample1和Sample2各table1和保持的只有那些行table2 。其中，部分ID匹配。
2. 为table2 table1每个部分创建所有唯一的样本ID组合，并在table2找到适当的条目（如果有）。

方法1

基数R

tmp <- merge(table2, table1, by.x = "Sample1", by.y = "Sample")
tmp <- merge(tmp, table1, by.x = "Sample2", by.y = "Sample")
tmp[tmp$Section.x == tmp$Section.y, c("Sample2", "Sample1", "distance")]

  Sample2 Sample1 distance 1 2 1 10 2 3 1 1 3 3 2 5 

dplyr

library(dplyr)
table2 %>% 
  inner_join(table1, by = c(Sample1 = "Sample")) %>% 
  inner_join(table1, by = c(Sample2 = "Sample")) %>% 
  filter(Section.x == Section.y) %>% 
  select(-Section.x, -Section.y)

  Sample1 Sample2 distance 1 1 2 10 2 1 3 1 3 2 3 5 

data.table

使用嵌套联接

library(data.table)
tmp <- setDT(table1)[setDT(table2), on = .(Sample == Sample1)]
table1[tmp, on = .(Sample == Sample2)][
  Section == i.Section, .(Sample1 = i.Sample, Sample2 = Sample, distance)]

使用merge（）和链接的data.table表达式

tmp <- merge(setDT(table2), setDT(table1), by.x = "Sample1", by.y = "Sample")
merge(tmp, table1, by.x = "Sample2", by.y = "Sample")[
  Section.x == Section.y, -c("Section.x", "Section.y")]

  Sample2 Sample1 distance 1: 2 1 10 2: 3 1 1 3: 3 2 5 

方法2

基数R

table1_cross <- do.call(rbind, lst <- lapply(
  split(table1, table1$Section), 
  function(x) as.data.frame(combinat::combn2(x$Sample))))
merge(table2, table1_cross, by.x = c("Sample1", "Sample2"), by.y = c("V1", "V2"))

此处，使用了方便的combn2(x)函数，该函数生成一次取两个的x元素的所有组合，例如，

combinat::combn2(1:3)

  [,1] [,2] [1,] 1 2 [2,] 1 3 [3,] 2 3 

繁琐的部分是施加combn2()到每个组的Section分开，并创建其可以合并一个data.frame，最后。

dplyr

这是www方法的简化版本

full_join(table1, table1, by = "Section") %>%
  filter(Sample.x < Sample.y) %>% 
  semi_join(x = table2, y = ., by = c(Sample1 = "Sample.x", Sample2 = "Sample.y"))

非装备自我加入

library(data.table)
setDT(table2)[setDT(table1)[table1, on = .(Section, Sample < Sample), allow = TRUE,
              .(Section, Sample1 = x.Sample, Sample2 = i.Sample)],
              on = .(Sample1, Sample2), nomatch = 0L]

  Sample1 Sample2 distance Section 1: 1 2 10 1 2: 1 3 1 1 3: 2 3 5 1 

在这里，非等参联接用于为每个Section创建Sample的唯一组合。 这等效于使用combn2() ：

setDT(table1)[table1, on = .(Section, Sample < Sample), allow = TRUE,
              .(Section, Sample1 = x.Sample, Sample2 = i.Sample)]

  Section Sample1 Sample2 1: 1 NA 1 2: 1 1 2 3: 1 1 3 4: 1 2 3 5: 2 NA 4 6: 2 4 5 7: 3 NA 6 

NA行将在最终连接中删除。