R合并数据帧,允许不精确的ID匹配(例如,附加字符1234匹配ab1234)

Question

我正在尝试处理一些非常混乱的数据.我需要通过样本ID合并两个包含不同类型数据的大数据帧.问题是一个表的样本ID有许多不同的格式,但大多数都包含所需的ID字符串,用于匹配其ID中的某个位置,例如,一个表中的样本"1234"在另一个表中具有"ProjectB(1234)"的ID .

我做了一个简单的可重复的例子.

a<-data.frame(aID=c("1234","4567","6789","3645"),aInfo=c("blue","green","goldenrod","cerulean"))
b<-data.frame(bID=c("4567","(1234)","6789","23645","63528973"), bInfo=c("apple","banana","kiwi","pomegranate","lychee"))

使用merge可以获得部分方法:

merge(a,b, by.x="aID", by.y="bID", all=TRUE)

       aID     aInfo       bInfo
1     1234      blue        <NA>
2     3645  cerulean        <NA>
3     4567     green       apple
4     6789 goldenrod        kiwi
5   (1234)      <NA>      banana
6    23645      <NA> pomegranate
7 63528973      <NA>      lychee

但是喜欢的输出基本上是:

        ID     aInfo       bInfo
1     1234      blue      banana
2     3645  cerulean pomegranate
3     4567     green       apple
4     6789 goldenrod        kiwi
5 63528973      <NA>      lychee

我只是想知道是否有办法将grep纳入这个或另一个R-tastic方法？

提前致谢

Answer 1

根据条件进行操作merge有点棘手。我不认为你可以按照merge编写的那样来做到这一点，所以你最终不得不用 编写一个自定义函数by。这是相当低效的，但是，也是如此merge。如果您有数百万行，请考虑data.table. 这就是执行“内部联接”的方式，其中仅返回匹配的行。

# I slightly modified your data to test multiple matches    
a<-data.frame(aID=c("1234","1234","4567","6789","3645"),aInfo=c("blue","blue2","green","goldenrod","cerulean"))
b<-data.frame(bID=c("4567","(1234)","6789","23645","63528973"), bInfo=c("apple","banana","kiwi","pomegranate","lychee"))

f<-function(x) merge(x,b[agrep(x$aID[1],b$bID),],all=TRUE)
do.call(rbind,by(a,a$aID,f))

#         aID     aInfo    bID       bInfo
# 1234.1 1234      blue (1234)      banana
# 1234.2 1234     blue2 (1234)      banana
# 3645   3645  cerulean  23645 pomegranate
# 4567   4567     green   4567       apple
# 6789   6789 goldenrod   6789        kiwi

进行完全连接有点棘手。这是一种方法，但效率仍然很低：

f<-function(x,b) {
  matches<-b[agrep(x[1,1],b[,1]),]
  if (nrow(matches)>0) merge(x,matches,all=TRUE)
  # Ugly... but how else to create a data.frame full of NAs?
  else merge(x,b[NA,][1,],all.x=TRUE)
}
d<-do.call(rbind,by(a,a$aID,f,b))
left.over<-!(b$bID %in% d$bID)
rbind(d,do.call(rbind,by(b[left.over,],'bID',f,a))[names(d)])

#         aID     aInfo      bID       bInfo
# 1234.1 1234      blue   (1234)      banana
# 1234.2 1234     blue2   (1234)      banana
# 3645   3645  cerulean    23645 pomegranate
# 4567   4567     green     4567       apple
# 6789   6789 goldenrod     6789        kiwi
# bID    <NA>      <NA> 63528973      lychee

Answer 2

在合并之前我会再清理一下你的 bID。如果您知道 bID 格式化的所有奇怪方式，那么使用 清理它们应该很简单gsub()。

在你的例子中，要删除括号，我会做类似的事情

expr <- '\\((.*)\\)'
b$bID <- gsub(expr, replace='\\1', b$bID)

里面expr发生了一些事情。首先，它是.*任何字符任意次数的正则表达式。将其括在括号中可以让我们gsub知道我们想要保留它并且可以在替换表达式中引用它。为了将左括号和右括号用作实际字符，我们需要用双反斜杠对其进行转义。把所有这些放在一起可以读作：我想将所有内容保留在左括号和右括号之间。

请注意，您可以使用替换表达式做一些奇特的事情，例如replace='id_\\1'.

关于在数字序列中查找 ID，您必须尝试子字符串匹配或其他方法，但我认为这不是一个好方法。

希望这可以帮助。