迭代兩個列表的有效方法（嵌套循環替代）

Question

我有兩個數據幀，SCR和SpecificSpecies。 SCR中的項目名稱部分包含“特定物種”中列出的物種。

SpecificSpecies$Species
S cerevisiae
Daucus carota

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

我正在嘗試獲取SCR的子集，該子集僅包含那些沒有任何匹配種類的條目。 在上述情況下，該列表僅

tetracycline CMT-3.

我學會的方法是使用嵌套循環，將SCR中的每個條目與SpecificSpecies中的每個條目進行比較。 如果找不到匹配項，請將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，這非常慢，SCR中有65,000個條目，SpecificSpecies中有1500個條目。 有沒有辦法像這樣用lapply嵌套？ 還是其他一些我不熟悉的功能將對您有所幫助？

我確定這是很糟糕的代碼。 我是一名醫學圖書館員，有時不得不使用R進行數據分析，所以我的編程技能非常有限，但是只要我的解決方案最終可行，它通常是丑陋還是效率低下，這並不重要。 我知道一定有更好的方法可以做到這一點； 原諒我不了解可能是一個簡單解決方案的事情。

Answer 1

我認為!(%in%)可以解決問題：

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 = ...不是錯字。 第一個,確保返回所有列/變量。 第二個, drop = FALSE確保返回的結果仍然是數據幀。

更正

好吧，我剛剛注意到你正在尋找grep與Species 。 下面的代碼應該工作：

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()使用匿名函數來識別模式匹配。 它遍歷每個物種，並將其與每個SCR$MESH_HEADINGS項目進行比較。 它返回匹配索引的列表。

在我們首先unlist匹配索引以使其與子集功能兼容之后，子集（ [] ）會簡單地刪除匹配索引（ - ）。

Answer 2

大意：

在SpecificSpecies上執行循環，因為它的行較少。 由於SCR數據幀將減少，因此需要遞歸執行，因此循環每次只處理較少的數據。

通常，軟件包data.table或plyr提高性能。 這里是data.table的解決方案

    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