如何查找列中與另一個數據幀范圍匹配的單元格數？

Question

我有一個data.frame1像：

Input_SNP_CHR   Input_SNP_BP     Set_1_CHR   Set_1_BP     Set_2_CHR   Set_2_BP     Set_3_CHR   Set_3_BP
    chr4         184648954        chr18      63760782       chr7      135798891      chr7        91206783  
    chr13        45801432         chr14      52254555       chr1      223293324      chr4        184648954
    chr18        71883393         chr22      50428069       chr7      138698825      chr18       63760782

我有另一個data.frame2像：

CHR     BP1             BP2             Score   Value
chr1    29123222        29454711        -5.7648 599
chr13   45799118        45986770        -4.8403 473
chr5    46327104        46490961        -5.3036 536
chr6    50780759        51008404        -4.4165 415
chr18   63634657        63864734        -4.8096 469
chr1    77825305        78062178        -5.4671 559

我想知道data.frame1中每對中有多少行（一對是Input_SNP_CHR和Input_SNP_BP）兩者匹配CHR並且落在data.frame2的BP1和BP2之間。 例如，在我的第一對（Input_SNP對）中，我有一個匹配。 這是第二行，其中Input_SNP的CHR（chr13）和BP（45801432）在data.frame2中與CHR（chr13）和BP范圍（在45799118和45986770之間）的行匹配。 對於我的第二對（Set_1對），我還有1個匹配（chr18），BP 63760782與chr18的第5行data.frame2和BP范圍匹配。

我想要的輸出是：

Input_SNP     Set_1     Set_2     Set_3
1             1         0         1

我怎么會在R中這樣做呢？

Answer 1

這是使用data.table的另一種可能的解決方案。 首先，我們將數據melt為長格式，根據第一個df列名添加Set列，然后運行foverlaps與table結合以檢查頻率

library(data.table) # v 1.9.6+
Ldf <- melt(setDT(df), measure = patterns("CHR", "BP")) # Create a column for BP and CHR
Names <- unique(sub("(.*_.*)_.*", "\\1", names(df))) # Creates a sets names indx
setnames(Ldf[, variable := factor(Names[variable])], c("Set", "CHR", "BP1")) # Rename   
Ldf[, BP2 := BP1] # Creating right boundary for foverlaps
setkeyv(Ldf, names(Ldf)[-1]) # Keying for foverlaps
table(foverlaps(setDT(df2), Ldf, nomatch = 0L)$Set) # Running fovelaps and checking freqs 
# Input_SNP     Set_1     Set_2     Set_3 
#         1         1         0         1 

Answer 2

我認為你的第一個data.frame中的數據應該像這樣格式化

#       CHR      type        BP
# 1.1  chr4 Input_SNP 184648954
# 1.2 chr13 Input_SNP  45801432
# 1.3 chr18 Input_SNP  71883393
# 2.1 chr18     Set_1  63760782
# 2.2 chr14     Set_1  52254555
# 2.3 chr22     Set_1  50428069
# 3.1  chr7     Set_2 135798891
# 3.2  chr1     Set_2 223293324
# 3.3  chr7     Set_2 138698825
# 4.1  chr7     Set_3  91206783
# 4.2  chr4     Set_3 184648954
# 4.3 chr18     Set_3  63760782

（但行名不重要。）

理想情況下，你會生成這樣的數據，但如果你已經按照你提供的格式生成它，你可以通過它來轉換它（假設你的第一個data.frame的名字是df ）

type_list=lapply(strsplit(colnames(df),"_"),
                 function(x) c(paste0(x[1],"_",x[2])))

df_new=do.call("rbind",
               lapply(split(1:ncol(df),sort(rep(1:(ncol(df)/2),times=2))),
                      function(idxs) {
                        data.frame(CHR=df[,idxs[1]],
                                   type=type_list[[idxs[1]]],
                                   BP=df[,idxs[2]])}))

然后它只是兩行基礎R來完成你的任務（假設第二個data.frame是df2 ）

df_new_2=within(merge(df_new,df2,by="CHR"),
                cnt<-BP>=BP1&BP<=BP2)

sapply(split(df_new_2,df_new_2$type),function(x) sum(x$cnt))
#Input_SNP     Set_1     Set_2     Set_3 
#        1         1         0         1 

（我只有一次擊中Set_3因為只有chr18匹配。）