基于R中的不相同值合并数据帧

Question

我有两个数据帧。 第一个看起来像

dat <- data.frame(matrix(nrow=2,ncol=3))
names(dat) <- c("Locus", "Pos", "NVAR")
dat[1,] <- c("ACTC1-001_1",   "chr15:35087734..35087734", "1" )
dat[2,] <- c("ACTC1-001_2 ",  "chr15:35086890..35086919", "2")

其中chr15：35086890..35086919表示此范围内的所有数字。

第二个看起来像：

dat2 <- data.frame(matrix(nrow=2,ncol=3))
names(dat2) <- c("VAR","REF.ALT","     FUNC")
dat2[1,] <- c("chr1:116242719",   "T/A", "intergenic" )
dat2[2,] <- c("chr1:116242855",  "A/G", "intergenic")

我想通过dat $ Pos和dat2 $ VAR中的值合并它们。 如果dat2 $ VAR中单元格中的单个数字包含在dat $ Pos中单元格的范围内，我想合并这些行。 如果这发生多次（dat $ Pos中的多个范围内的dat2 $ VAR，我希望每次合并）。 最简单的方法是什么？

Answer 1

请试一试，告诉我们它是如何工作的。 没有更大的数据集，有点难以拍摄。 如果由于某种原因它不起作用，请从您的数据表中共享更多行（特别是那些匹配的行）

拼接数据

range.strings <- do.call(rbind, strsplit(dat$Pos, ":"))[, 2]
range.strings <- do.call(rbind, strsplit(range.strings, "\\.\\."))

mins <- as.numeric(range.strings[,1])
maxs <- as.numeric(range.strings[,2])

d2.vars <- as.numeric(do.call(rbind, str_split(dat2$VAR, ":"))[,2])
names(d2.vars) <- seq(d2.vars)

找到比赛

# row numebr is the row in dat
# col number is the row in dat2 
matches <- sapply(d2.vars, function(v)  mins < v & v <= maxs)

合并

# create a column in dat to merge-by
dat <- cbind(dat, VAR=NA)

# use the VAR in dat2 as the merge id
sapply(seq(ncol(matches)), function(i)
    dat$VAR <- dat2[i, "VAR"] )

merge(dat, dat2)

Answer 2

这是一个解决方案，很短但不是特别有效，所以我不推荐它用于大数据。 但是，您似乎表明您的数据不是那么大，请试试看，让我知道：

library(plyr)

exploded.dat <- adply(dat, 1, function(x){
    parts <- strsplit(x$Pos, ":")[[1]]
    chr   <- parts[1]
    range <- strsplit(parts[2], "..", fixed = TRUE)[[1]]
    start <- range[1]
    end   <- range[2]
    data.frame(VAR = paste(chr, seq(from = start, to = end), sep = ":"), x)
})

merge(dat2, exploded.dat, by = "VAR")

如果它太慢或者为你的需求使用太多内存，你将不得不实现一些更复杂的东西，而另一个问题看起来是一个很好的起点： 在R中合并范围 - 应用循环 。