比較數據框中的兩列是否匹配，並由此創建一個包含匹配項的新數據框

Question

請問你能再幫我一次嗎？

我有一個包含 4 列的數據框，它們是基因符號或我已分配基因符號的等級，如下所示：

     mb_rank  mb_gene  ts_rank  ts_gene
[1]  1        BIRCA    1        MYCN
[2]  2        MYCN     2        MOB4
[3]  3        ATXN1    3        ABHD17C
[4]  4        ABHD17C  4        AEBP2
5 etc... for up to 6000 rows in some data sets. 
the ts columns are usually a lot longer than the mb columns. 

我想安排數據，以便刪除非重復項，從而只留下出現在數據框兩列中的基因，例如

     mb_rank  mb_gene  ts_rank  ts_gene
[1]  2        MYCN     1        MYCN
[2]  4        ABHD17C  3        ABHD17C

在這個期望結果的例子中，非重復基因已被刪除，只留下出現在兩個列表中的基因。

我嘗試了很多事情，例如：

`df[df$mb_gene %in% df$ts_gene,]` 

但它不起作用，似乎碰巧錯過了一些基因 2）我試圖寫一個IF function 但我的技能有限。

我希望我已經很好地描述了這一點，但如果我能澄清任何事情，請問，我真的被卡住了。 提前致謝！

Answer 1

在data.frame中，通常一行是完整的觀察，這意味着其中的所有數據（以某種方式）與 rest 相關。 在調查中，一行是一個人（所有問題）或一個人一個問題。 但是，在您的數據中，您的第一行BIRCA和MYCN是完全分開的，這意味着您想要刪除一個而不刪除另一個。 在“數據科學-y”視圖中，這對我來說表明您的數據形狀不正確。

為了做你想做的事，我們需要將它們分成單獨的框架。

df <- read.table(header = TRUE, stringsAsFactors = FALSE, text = "
mb_rank  mb_gene  ts_rank  ts_gene
1        BIRCA    1        MYCN
2        MYCN     2        MOB4
3        ATXN1    3        ABHD17C
4        ABHD17C  4        AEBP2")

df1 <- df[,1:2]
df2 <- df[,3:4]
df1
#   mb_rank mb_gene
# 1       1   BIRCA
# 2       2    MYCN
# 3       3   ATXN1
# 4       4 ABHD17C
df2
#   ts_rank ts_gene
# 1       1    MYCN
# 2       2    MOB4
# 3       3 ABHD17C
# 4       4   AEBP2

從這里，我們可以使用intersect來查找共同的基因：

incommon <- intersect(df1$mb_gene, df2$ts_gene)
df1[df1$mb_gene %in% incommon,]
#   mb_rank mb_gene
# 2       2    MYCN
# 4       4 ABHD17C
df2[df2$ts_gene %in% incommon,]
#   ts_rank ts_gene
# 1       1    MYCN
# 3       3 ABHD17C

如果您 100% 確定每個行中的行數始終相同，那么您只需將它們cbind在一起：

cbind(
  df1[df1$mb_gene %in% incommon,],
  df2[df2$ts_gene %in% incommon,]
)
#   mb_rank mb_gene ts_rank ts_gene
# 2       2    MYCN       1    MYCN
# 4       4 ABHD17C       3 ABHD17C

但是，如果每個都有不同的數字，那么您將遇到問題。 如果一個的數量是另一個的倍數，你會得到數據的“回收”和警告，但你仍然會得到數據（我認為這是一個錯誤）：

cbind(
  df1[df1$mb_gene %in% incommon,],
  df2
)
# Warning in data.frame(..., check.names = FALSE) :
#   row names were found from a short variable and have been discarded
#   mb_rank mb_gene ts_rank ts_gene
# 1       2    MYCN       1    MYCN
# 2       4 ABHD17C       2    MOB4
# 3       2    MYCN       3 ABHD17C
# 4       4 ABHD17C       4   AEBP2

但是，如果不是倍數，您只會得到一個錯誤：

cbind(
  df1[df1$mb_gene %in% incommon,],
  df2[1:3,]
)
# Error in data.frame(..., check.names = FALSE) : 
#   arguments imply differing number of rows: 2, 3

我建議您考慮這種存儲結構，因為我相信它違背了某些工具對框架行所做的假設。

Answer 2

使用：df_new 是你的新 dataframe。

df_new = df[df['mb_gene'] == df['ts_gene']]

Answer 3

沒有更多細節，很難了解邊緣情況。 無論如何，這聽起來像是一個關系表連接。 你有沒有嘗試過：

d1 = select(df, c(mb_rank, mb_gene))
d2 = select(df, c(ts_rank, ts_gene))
merge(d1, d2, by.x="mb_gene", by.y="ts_gene")