r - 在 R 中按范围合并 - 应用循环

Question

我在这里发布了一个问题:Matched Range Merge in R关于根据一个文件中落入第二个文件范围内的数字合并两个文件。到目前为止，我还没有成功地拼凑代码来实现这一目标。我遇到的问题是我使用的代码逐行比较文件。这是一个问题，因为 1.) 一个文件比另一个文件长得多，并且 2.) 我需要在较长文件中的每个范围对中扫描较短文件中的行 - 而不仅仅是同一行中的范围.

我一直在使用原始问题中发布的函数，我觉得应该有一种方法可以将它应用于更通用的循环，将第一个文件中的每一行与第二个文件中的每一行进行比较，但我没有t想通了。如果有人有任何建议，我将不胜感激。

**** 编辑。

数据的性质是这样的:每个范围不一定是唯一的，尽管大多数都是。它们的大小也不相同，有些完全属于其他。 findInterval因此会产生错误，因为无法按“非降序”顺序对范围进行排序。

这是每个数据帧的前 6 行:

file1test <- data.frame(SNP=c("rs2343", "rs211", "rs754", "rs854", "rs343", "rs626"), BP=c(860269, 369640, 861822, 367934, 706940, 717244))


file2 <- data.frame(Gene=c("E613", "E92", "E49", "E3543", "E11", "E233"), BP_start=c(367640, 621059, 721320, 860260, 861322, 879584), BP_end = c(368634, 622053, 722513, 879955, 879533, 894689))

因此，如您所见，第 5 行的范围位于第 4 行的范围内，第一个文件中的两个 SNP 位于第 4 行的范围内，但只有一个位于第二行的范围内。

第一个包含 SNP 的文件只有约 400 行。然而，包含范围的第二个文件大约有 20K。我想作为输出生成的是一个数据框，其中包含第一个文件(SNP)中的行，其中 BP 属于第二个文件中的 BP 范围。如果一个 SNP 落入两个范围，那么它会出现两次，依此类推。

Answer 1

我相信您要的是 conditional join .它们在 SQL 中很容易，而且 sqldf包使使用 SQL 查询 R 中的数据帧变得容易。

只需根据您希望如何处理不匹配的 SNP 来选择一个版本。

内连接版本:

> sqldf("select * from file1test f1 inner join file2 f2 
+       on (f1.BP > f2.BP_start and f1.BP<= f2.BP_end) ")

输出:

     SNP     BP  Gene BP_start BP_end
1 rs2343 860269 E3543   860260 879955
2  rs754 861822 E3543   860260 879955
3  rs754 861822   E11   861322 879533
4  rs854 367934  E613   367640 368634
> 

左加入版本:

> sqldf("select * from file1test f1 left join file2 f2 
+       on (f1.BP > f2.BP_start and f1.BP<= f2.BP_end) ")

输出:

     SNP     BP  Gene BP_start BP_end
1 rs2343 860269 E3543   860260 879955
2  rs211 369640  <NA>       NA     NA
3  rs754 861822 E3543   860260 879955
4  rs754 861822   E11   861322 879533
5  rs854 367934  E613   367640 368634
6  rs343 706940  <NA>       NA     NA
7  rs626 717244  <NA>       NA     NA
> 

请注意，您可能需要小心放置 = 的位置。如果在 BP 与 BP_start 或 BP_end 完全匹配的情况下，BP 属于哪个组很重要。