如何從字符串中提取一個或多個單詞並在 R 中的另一個文件的兩個不同列中搜索它們

Question

我需要通過在 df1$Id 中提取“gene_id”之后的單詞並在 df2 的 2 個不同列（df2$Gene.id、df2$Gene.name）中搜索它們來查找 df2 中存在哪些 df1 行。

這是我的數據的樣子：

df1 <- data_frame(
  Chr = c("NC_035077.1", "NC_035078.1", "NC_035083.1", "NC_035083.1", "NC_035084.1", "NC_035084.1", "NC_035088.1"),
  Pos = c("61344375", "78462810", "24378412", "24387264","66360216", "66360385","40131947"),
  Var=c("tco","born", "tco","tco", "born","tco","tco"),
  Id=c("gene_id calm2", "gene_id LOC110500174", "gene_id ahcy", "gene_id ahcy", "gene_id cebpd", "gene_id cebpd", "gene_id LOC110537636, gene_id hsc70a")
  )

df1
Chr         Pos      Var   Id                                  
  <chr>       <chr>    <chr> <chr>                               
1 NC_035077.1 61344375 tco   gene_id calm2                       
2 NC_035078.1 78462810 born  gene_id LOC110500174                
3 NC_035083.1 24378412 tco   gene_id ahcy                        
4 NC_035083.1 24387264 tco   gene_id ahcy                        
5 NC_035084.1 66360216 born  gene_id cebpd                       
6 NC_035084.1 66360385 tco   gene_id cebpd                       
7 NC_035088.1 40131947 tco   gene_id LOC110537636, gene_id hsc70a


df2 <- data_frame(
  Gene.id = c("LOC110488122", "NA", "LOC110490243", "LOC110537256", "LOC100136165", "LOC100379112", "LOC100379114", "LOC110527949", "LOC110537636"),
  Gene.name = c("agr2", "agrn", "ahcy", "akap1","cebpb", "cebpb","cebpd", "ddost","slc6a13")
  )
 
df2
 Gene.id      Gene.name
  <chr>        <chr>    
1 LOC110488122 agr2     
2 NA           agrn     
3 LOC110490243 ahcy     
4 LOC110537256 akap1    
5 LOC100136165 cebpb    
6 LOC100379112 cebpb    
7 LOC100379114 cebpd    
8 LOC110527949 ddost    
9 LOC110537636 slc6a13

如您所見，某些 df1$Id 有兩個gene_id，我需要在 df2 中檢查它們，並且無論它們中的哪一個與 df2$Gene.id 或 df2$Gene.name 匹配，我都需要將該行包含在output 文件。
df2 中也有一些 NA。

我的 output 應該是這樣的：

Chr         Pos      Var   Id                                    Gene.id       Gene.name                                
NC_035083.1 24378412 tco   gene_id ahcy                          LOC110490243  ahcy
NC_035083.1 24387264 tco   gene_id ahcy                          LOC110490243  ahcy
NC_035084.1 66360216 born  gene_id cebpd                         LOC100379114  cebpd 
NC_035084.1 66360385 tco   gene_id cebpd                         LOC100379114  cebpd
NC_035088.1 40131947 tco   gene_id LOC110537636, gene_id hsc70a  LOC110537636  slc6a13

任何有關如何實現這一目標的幫助將不勝感激。

Answer 1

這使用您的示例完成了技巧。 我假設您的所有數據都遵循相同的格式。

您需要創建一個干凈的“all in”列以將df1與df2連接起來。 進行兩次連接后，清理無用的行並使用“all in”列更新NA的值。

按步驟

1. 創建新列進行分離。
2. 用多個值分隔行。
3. 刪除“gene_id”，這樣您就可以加入干凈的“all in”列。
4. 按一列連接，然后按另一列連接。 順序無所謂。
5. 過濾沒有任何匹配的行。
6. 更新你的NA
7. 刪除new_col因為你不再需要它

代碼

library(stringr) # for str_remove()
library(tidyr) # for separate_rows()
library(dplyr) # for everything else

df1 %>% 
  mutate(new_col = Id) %>% 
  separate_rows(new_col, sep = ", ") %>% 
  mutate(new_col = str_remove(new_col, "gene_id ")) %>% 
  left_join(df2, by = c("new_col" = "Gene.name")) %>% 
  left_join(df2, by = c("new_col" = "Gene.id")) %>% 
  filter(!is.na(Gene.name) | !is.na(Gene.id)) %>% 
  mutate(Gene.name = if_else(is.na(Gene.name), new_col, Gene.name),
         Gene.id = if_else(is.na(Gene.id), new_col, Gene.id)) %>% 
  select(-new_col)
  

  Chr         Pos      Var   Id                                   Gene.id      Gene.name
  <chr>       <chr>    <chr> <chr>                                <chr>        <chr>    
1 NC_035083.1 24378412 tco   gene_id ahcy                         LOC110490243 ahcy     
2 NC_035083.1 24387264 tco   gene_id ahcy                         LOC110490243 ahcy     
3 NC_035084.1 66360216 born  gene_id cebpd                        LOC100379114 cebpd    
4 NC_035084.1 66360385 tco   gene_id cebpd                        LOC100379114 cebpd    
5 NC_035088.1 40131947 tco   gene_id LOC110537636, gene_id hsc70a LOC110537636 slc6a13