基於另一個 dataframe 合並和填充另一列的 NA 值

Question

我有 2 個 dfs，其中一個子集看起來像這樣。 在可用的情況下，我希望將“NA”值替換為其他 df 中的 rsid 值。

df1:
SNP          A1  A2   rsid
1:100000012   A   G   rs1234
1:1000066     T   C   <NA>
1:2032101     C   T   rs5678

df2:
SNP           A1  A2   rsid
2:107877      A   G   rs1112023
3:1000066     T   C   rs8213723
1:1000066     T   C   rs7778899

這就是我想要的，其中 NA 被其他 df 的 rsid 值替換。 在此示例中，df2 的第 3 行的 rsid 替換了 df1 的第 2 行的 rsid 的 NA 值。 我只希望新的 df 在 df1 中包含行，就像這樣。

df3
SNP          A1  A2   rsid
1:100000012   A   G   rs1234
1:1000066     T   C   rs7778899
1:2032101     C   T   rs5678

我試過這個，但收到一些錯誤消息。 有人可以幫忙嗎？

library(dplyr)
bind_rows(df1, df2) %>% 
   group_by(SNP, A1, A2) %>%
   summarise(rsid = rsid[complete.cases(rsid)], .groups = 'drop')

Error: Column `rsid` must be length 1 (a summary value), not 2
In addition: Warning messages:
1: In bind_rows_(x, .id) : Unequal factor levels: coercing to character
2: In bind_rows_(x, .id) :
  binding character and factor vector, coercing into character vector
3: In bind_rows_(x, .id) :
  binding character and factor vector, coercing into character vector

Answer 1

我們可以將數據集與bind_rows綁定在一起，然后通過匯總進行分組，同時使用complete.cases刪除NA （ dplyr版本>= 1.0 ）

library(dplyr)
bind_rows(df1, df2) %>% 
   group_by(SNP, A1, A2) %>%
   summarise(rsid = rsid[complete.cases(rsid)], .groups = 'drop')

-輸出

# A tibble: 5 x 4
#  SNP         A1    A2    rsid     
#  <chr>       <chr> <chr> <chr>    
#1 1:100000012 A     G     rs1234   
#2 1:1000066   T     C     rs7778899
#3 1:2032101   C     T     rs5678   
#4 2:107877    A     G     rs1112023
#5 3:1000066   T     C     rs8213723

---

如果dplyr的版本< 1.0 ，則summarise預計 output 每組的length 1。 我們可以將它包裝在一個list ，然后unnest

bind_rows(df1, df2) %>% 
   group_by(SNP, A1, A2) %>%
   summarise(rsid = list(rsid[complete.cases(rsid)])) %>%
   ungroup %>%
   unnest(c(rsid))

更新

根據更新后的帖子，如果我們需要根據第二個數據更新列“rsid”，一個選項是進行連接，然后在合並“rsid”列后分配（ := ）

library(data.table)
setDT(df1)[df2, rsid := fcoalesce(rsid, i.rsid), on = .(SNP, A1, A2)]

-輸出

df1
#           SNP A1 A2      rsid
#1: 1:100000012  A  G    rs1234
#2:   1:1000066  T  C rs7778899
#3:   1:2032101  C  T    rs5678

---

dplyr也可以使用類似的選項

left_join(df1, df2, by = c('SNP', 'A1', 'A2')) %>%       
  transmute(SNP, A1, A2, rsid = coalesce(rsid.x, rsid))
 

數據

df1 <- structure(list(SNP = c("1:100000012", "1:1000066", "1:2032101"
), A1 = c("A", "T", "C"), A2 = c("G", "C", "T"), rsid = c("rs1234", 
NA, "rs5678")), class = "data.frame", row.names = c(NA, -3L))

df2 <- structure(list(SNP = c("2:107877", "3:1000066", "1:1000066"), 
    A1 = c("A", "T", "T"), A2 = c("G", "C", "C"), rsid = c("rs1112023", 
    "rs8213723", "rs7778899")), class = "data.frame", row.names = c(NA, 
-3L))