如何基於R中的另一個數據框過濾和子集數據框

Question

盡管有許多與此類似的問題，但我仍無法在R中專門找到該問題的答案，所以我不確定從哪里開始。 我有2個數據集：

數據1：

Chr Start   End   rssnp1        Type    gene
1   1244733 1244734 rs2286773   LD_SNP  ACE
1   1257536 1257436 rs301159    LD_SNP  CPEB4
1   1252336 1252336 rs2286773   Sentinel    CPEB4
1   1252343 1252343 rs301159    LD_SNP  CPEB4
1   1254841 1254841 rs301159    LD_SNP  CPEB4
1   1256703 1267404 rs301159    LD_SNP  CPEB4
1   1269246 1269246 rs301159    LD_SNP  CPEB4
1   1370168 1370168 rs301159    LD_SNP  GLUPA1
1   1371824 1371824 rs301159    LD_SNP  GLUPA1
1   1372591 1372591 rs301159    LD_SNP  GLUPA1

數據2：

    gene
    CPEB4
    GML
    TBX2
    PNKD
    JMJD1C
    SKI
    MYH11

Data2是機器學習（已被分類為影響疾病的基因）的輸出。

我正在尋找從Data2中選擇一個基因，在Data1中找到它，特別是找到具有Type列為'Sentinel'的基因行，然后根據前哨基因的rssnp1列過濾Data1。

例如，如果我正在從Data1中搜索CPEB4基因，並發現其Sentinel基因rssnp1（rs2286773）要通過輸出過濾，則為：

Chr Start   End    rssnp1       Type     gene
1   1243933 1243934 rs2286773   LD_SNP  ACAP3
1   1254436 1254436 rs2286773   Sentinel    CPEB4

到目前為止，我已經看過使用merge，filter（）和subset（），但是由於我有很多步驟，我應該嘗試在for循環中使用它們嗎？ 有更好的功能嗎？

我是R的新手，所以並沒有做太多的事情，例如，我嘗試過合並數據集：

merged <- merge(data1, data2, by='gene', all='TRUE')

然后可以在excel手動過濾中使用，但是理想情況下，我想進一步自動化它，因此，向正確方向的任何建議/幫助將不勝感激。

Answer 1

一種選擇是在full_join之后通過“ rssnp1”進行full_join並在“類型”中filter any值作為“前哨”

library(dplyr)
full_join(data1, data2, by = 'gene') %>% 
     group_by(rssnp1) %>% 
     filter(any(Type == "Sentinel")) #or
     #filter("Sentinel" %in% Type)
# A tibble: 2 x 6
# Groups:   rssnp1 [1]
#    Chr   Start     End rssnp1    Type     gene 
#  <int>   <int>   <int> <chr>     <chr>    <chr>
#1     1 1244733 1244734 rs2286773 LD_SNP   ACE  
#2     1 1252336 1252336 rs2286773 Sentinel CPEB4

---

或使用OP的代碼，可以使用ave對其進行進一步擴展

i1 <-  with(merged, ave(Type %in% "Sentinel", rssnp1, FUN = any))
merged[i1,]

數據

data1 <- structure(list(Chr = c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L
), Start = c(1244733L, 1257536L, 1252336L, 1252343L, 1254841L, 
1256703L, 1269246L, 1370168L, 1371824L, 1372591L), End = c(1244734L, 
1257436L, 1252336L, 1252343L, 1254841L, 1267404L, 1269246L, 1370168L, 
1371824L, 1372591L), rssnp1 = c("rs2286773", "rs301159", "rs2286773", 
"rs301159", "rs301159", "rs301159", "rs301159", "rs301159", "rs301159", 
"rs301159"), Type = c("LD_SNP", "LD_SNP", "Sentinel", "LD_SNP", 
"LD_SNP", "LD_SNP", "LD_SNP", "LD_SNP", "LD_SNP", "LD_SNP"), 
    gene = c("ACE", "CPEB4", "CPEB4", "CPEB4", "CPEB4", "CPEB4", 
    "CPEB4", "GLUPA1", "GLUPA1", "GLUPA1")),
    class = "data.frame", row.names = c(NA, 
-10L))

data2 <- structure(list(gene = c("CPEB4", "GML", "TBX2", "PNKD", "JMJD1C", 
"SKI", "MYH11")), class = "data.frame", row.names = c(NA, -7L
))

Answer 2

我假設您想從data2傳遞每個基因，並從data1獲得它們的相應數據。 希望以下代碼能對您有所幫助。

library(dplyr)
getFromData1 <- function(geneFromData2 = NULL) {
  if (is.null(geneFromData2)) return()
  geneSentinelSNP <- (data1 %>% filter(Type == "Sentinel" & gene == geneFromData2))$rssnp1
  data1 %>% filter(rssnp1 == geneSentinelSNP)
}

getFromData1(geneFromData2 = "CPEB4")

您也可以撥打getFromData1功能的lapply ，讓你得到的數據幀，一個用於從數據2中各基因的列表。

lapply(data2$gene, getFromData1)