Сопоставить два столбца с двумя другими столбцами
У меня есть несколько строк данных (разделенных табуляцией). Я хочу найти строку, которая соответствует элементам из двух столбцов (3-й и 4-й) в каждой строке с двумя другими столбцами (10-й и 11-й). Например, в строке 195428891 и 95443771 в столбце 3 и 4 соответствуют элементы в столбцах 10 и 11 в строке 19. Точно так же обратное также верно. Элементы в столбцах 3 и 4 в 19-й строке также соответствуют элементам в столбцах 10 и 11 в строке 1. Мне нужно иметь возможность просматривать каждую строку и выводить индексы строк для соответствующих совпадений. Возможно, что иногда совпадает только один из столбцов, а не оба (потому что иногда встречаются повторяющиеся числа), но мне нужно выбрать только те строки, в которых совпадают оба столбца, а также где есть взаимное совпадение. Поэтому было бы неплохо выводить индексы строк, где есть взаимное совпадение, например, 1 и 19, как значения, разделенные табуляцией (возможно, в другом объекте data.frame). И строки, которые не имеют взаимных соответствий, могут быть выведены отдельно. Я пытаюсь реализовать это в R для запуска через несколько строк данных.
1313 chr2 95428891 95443771 14880 chr2:96036782 205673 + chr2 96036782 96052481
1313 chr2 95428896 95443771 14875 chr2:97111880 205214 - chr2 97111880 97127588
1313 chr2 95443771 95526464 82693 chr2:95609272 1748861 - chr2 95609272 95691902
1313 chr2 95477143 95486318 9175 chr2:97616847 177391 + chr2 97616847 97626039
1313 chr2 95486323 95521267 34944 chr2:97035158 268351 + chr2 97035158 97070183
1313 chr2 95515418 95525958 10540 chr2:95563236 132439 + chr2 95563236 95572666
1314 chr2 95563236 95572666 9430 chr2:95515418 132439 + chr2 95515418 95525958
1314 chr2 95563236 95572666 9430 chr2:95609778 126017 - chr2 95609778 95620287
1314 chr2 95563236 95569115 5879 chr2:97064308 89848 + chr2 97064308 97070183
164 chr2 95609272 95691902 82630 chr2:95443771 1748861 - chr2 95443771 95526464
1314 chr2 95609778 95620287 10509 chr2:95563236 126017 - chr2 95563236 95572666
1314 chr2 95614473 95649363 34890 chr2:97035158 394821 - chr2 97035158 97070173
1314 chr2 95649368 95658543 9175 chr2:97616847 177822 - chr2 97616847 97626039
164 chr2 95775062 95814080 39018 chr2:97578938 0 - chr2 97578938 97616780
1315 chr2 95778788 95781856 3068 chr2:97609982 31302 - chr2 97609982 97616788
164 chr2 95780657 95829665 49008 chr2:96053880 882178 - chr2 96053880 96102738
1316 chr2 95829982 95865446 35464 chr2:97296848 242680 - chr2 97296848 97333087
1316 chr2 95829982 95935104 105122 chr2:97438085 1169669 + chr2 97438085 97544431
1317 chr2 96036782 96052481 15699 chr2:95428891 205673 + chr2 95428891 95443771
3 ответа
Вы не указали, что вы считаете правильным ответом, и ваша терминология кажется немного расплывчатой, когда вы говорите "где есть взаимное совпадение", но если я правильно понимаю задачу как поиск всех строк, где col.3 == col.10 & col.4 == col.11, тогда это должно выполнить задачу:
which( outer(indat$V4, indat$V11, "==") &
outer(indat$V3, indat$V10, "=="),
arr.ind=TRUE)
# result
row col
[1,] 19 1
[2,] 10 3
[3,] 7 6
[4,] 8 6
[5,] 6 7
[6,] 11 8
[7,] 3 10
[8,] 7 11
[9,] 8 11
[10,] 1 19
Внешняя функция применяет функцию 'FUN', в данном случае "==", ко всем двусторонним комбинациям x и y, ее первым и вторым аргументам, поэтому здесь мы получаем матрицу n x n с логическими элементами, и я беру логическое "и" двух таких матриц. Итак, строки, в которых есть совпадения с другими строками:
unique( c(which( outer(indat$V4, indat$V11, "==") &
outer(indat$V3, indat$V10, "=="),
arr.ind=TRUE) ))
#[1] 19 10 7 8 6 11 3 1
Таким образом, набор без совпадений, предполагая, что data.frame с именем indat, является:
matches <- unique( c(which( outer(indat$V4, indat$V11, "==") &
outer(indat$V3, indat$V10, "=="), arr.ind=TRUE) ))
indat[ ! 1:NROW(indat) %in% matches, ]
А те, у которых есть спички:
indat[ 1:NROW(indat) %in% matches, ]
Ответ DWin убедителен, однако с массивами большого размера, обычно более 50 тыс. Или около того, вы столкнетесь с проблемами с памятью, поскольку создаваемые вами матрицы огромны.
Я бы сделал что-то вроде:
match(
interaction( indat$V3, indat$V10),
interaction( indat$V4, indat$V11)
);
Который объединяет все значения интереса в факторы и делает совпадение.
Это менее чистое решение, но более быстрое и более управляемое.
Ниже функция compare использует возможности R для быстрой сортировки. Аргументы функции a а также b являются матрицами; строки в a скрин для соответствия строк в b для любого количества столбцов. Если порядок столбцов не имеет значения, установите row_order=TRUE сортировать записи в порядке возрастания. Думаю, функция должна работать с кадрами данных и столбцами символов / факторов, а также с дублирующимися записями в a и / или b, Несмотря на использование for & while он сравнительно быстро возвращает первый ряд в b для каждого ряда a (или же 0, если совпадений не найдено).
compare<-function(a,b,row_order=TRUE){
len1<-dim(a)[1]
len2<-dim(b)[1]
if(row_order){
a<-t(apply(t(a), 2, sort))
b<-t(apply(t(b), 2, sort))
}
ord1<-do.call(order, as.data.frame(a))
ord2<-do.call(order, as.data.frame(b))
a<-a[ord1,]
b<-b[ord2,]
found<-rep(0,len1)
dims<-dim(a)[2]
do_dims<-c(1:dim(a)[2])
at<-1
for(i in 1:len1){
for(m in do_dims){
while(b[at,m]<a[i,m]){
at<-(at+1)
if(at>len2){break}
}
if(at>len2){break}
if(b[at,m]>a[i,m]){break}
if(m==dims){found[i]<-at}
}
if(at>len2){break}
}
return(found[order(ord1)]) # indicates the first match of a found in b and zero otherwise
}
# example data sets:
a <- matrix(sample.int(1E4,size = 1E4, replace = T), ncol = 4)
b <- matrix(sample.int(1E4,size = 1E4, replace = T), ncol = 4)
b <- rbind(a,b) # example of b containing a
# run the function
found<-compare(a,b,row_order=TRUE)
# check
all(found>0)
# rows in a not contained in b (none in this example):
a[found==0,]