用R数据检查一个表（X）中的值是否在另一表（Y）中两列的值之间。

Question

可怕的标题问题，但这是我想要解决的问题。对于表1，我想添加“ BETWEEN”列，以验证表2中相应“ BIN”的“ POSITION”是否介于“ START”和“ STOP”值之间。

表1。BIN名称（字符）和BIN（数字）中的POSITION：

  BIN    POSITION
    1          12
    1          52
    1          86
    7           6
    7          22
    X         112
    X         139
   MT           3
   MT          26

表2：BIN名称（字符）以及START和STOP位置（数字）

  BIN    START    STOP
    1        2      64
    1       90     110
    7       20     100
    7      105     200
    X        1       5
   MT        1    1000

和预期的结果-表1与“ BETWEEN”：

CHROM    POSITION      BETWEEN
    1          12         TRUE
    1          52         TRUE
    1          86        FALSE
    7           6        FALSE
    7          22         TRUE
    X         112        FALSE
    X         139        FALSE
   MT           3         TRUE
   MT          26         TRUE

我的表1大约有4,000,000行，表2大约有500,000行，我想到的一切都很慢。

作为较大表的示例，请使用以下命令：

positions <- seq(1,100000,10)
bins <- c("A","B","C","D","E","F","G","H","I","J")

tab1 <- data.table(bin = rep(bins,1,each=length(positions)), pos = rep(positions,10))

tab2 <- data.table(bin = rep(bins,1,each=2000), start = seq(5,100000,50), stop = start+25)

所需的输出将是：

tab1
        bin   pos    between
     1:   A     1    FALSE
     2:   A    11    TRUE
     3:   A    21    TRUE
     4:   A    31    FALSE
     5:   A    41    FALSE

Answer 1

以下方法要求对于给定的 bin，这些 bin 是互斥的。（例如，您不能拥有边界为 1-5 的 bin A 和边界为 4-8 的另一个 bin A。）此外，我对您的示例进行了一些修改。

positions <- seq(1,100000,10)
bins <- c("A","B","C","D","E","F","G","H","I","J")
tab1 <- data.table(bin = rep(bins,1,each=length(positions)), pos = rep(positions,10))
setkey(tab1,"bin","pos")

tab2 <- data.table(bin = rep(bins,1,each=2000), start = seq(5,100000,50))
tab2[, end := start+25]

tab2[,pos:=start]
setkey(tab2,"bin","pos")
x<-tab2[tab1, roll=TRUE, nomatch=0]

tab2[,pos:=end]
setkey(tab2,"bin","pos")
y<-tab2[tab1, roll=-Inf, nomatch=0]

setkey(x,"bin","pos","start")
setkey(y,"bin","pos","start")
inBin<-x[y,nomatch=0]
inBin[, between:=TRUE]

setkey(tab1,"bin","pos")
setkey(inBin,"bin","pos")

result<-inBin[,list(bin,pos,between)][tab1]
result[is.na(between), between:=FALSE]

我现在没有时间深入解释我的解决方案。相反，我会采取便宜的方法并建议您研究rolldata.table 的参数。上面的基本方法是我加入 tab1 和 tab2，将 pos 向前滚动到最近的末端边界。然后我加入 tab1 和 tab2，将 pos 向后滚动到最近的开始边界。然后我对这两个集合进行内部联接，给出 tab1 中落在 bin 边界内的所有行。从那时起，这只是一项繁重的工作。