如何匹配另一个数据集范围内的行

Question

我有一个遗传数据集，我在其中匹配 1 个文件的基因组中的染色体位置，前提是它们符合另一个文件中给定的染色体位置范围。

我试过类似的问题，主要是时间间隔，但由于我需要确保染色体数也匹配（所以我不匹配相同的位置但它们没有用）在不同的染色体上）

我的数据是这样的：

#df1 - chromosome positions to find within df2 ranges:

Chromosome   Position   Start   End
    1           101      101    101
    2           101      101    101
    3           600      600    600

#df2 - genomic ranges
Chromosome Start End      CpG
    1       50   200       10
    1       300  400        2
    4       100  200        5

预期的匹配输出（最终我也在寻找 df1 数据的匹配 CpG 列）：

Chromosome   Position    Start   End   CpG
    1           101        50    200    10  #only row of df1 that's within a range on df2 on the same chromosome

我目前正在尝试使用：

df <-df1 %>%
  left_join(df2, 
            by = "Chromosome") %>% 
  filter(Position >= Start & Position <= End)

Error: Problem with `filter()` input `..1`.
x object 'Start' not found
i Input `..1` is `Position >= Start & Position <= End`.

我不明白我是怎么得到这个错误的，开始和结束列存在于两个文件中并且都是整数数据类 - 有没有我遗漏的东西或我可以解决的其他方法这个？

我的实际数据非常大，所以如果 data.table 解决方案适用于此，我也在尝试找到它 - 我试过了，但我是新手，还没有走得太远：

df1[df2, on = .(Chromosome, Position > End, Position < Start ) ]

编辑：尝试重叠：

setkey(df1)
df2[, End := Start]
foverlaps(df2, df1, by.x = names(df2), type = "within", mult = "all", nomatch = 0L)

Error in foverlaps(df2, df1, by.x = names(df2), type = "within", mult = "all",  : 
  length(by.x) != length(by.y). Columns specified in by.x should correspond to columns specified in by.y and should be of same lengths.

Answer 1

问题与 left_join() 相关，它将来自不同数据集的同名列堆叠在一个数据集中。由于同一数据集中的两列不能具有相同的列名，因此 Start 和 End 列的名称更改为 Start.x，并且 Start.y、End.x、End.y.

因此，您必须从第一个数据集中删除开始和结束列，如下所示：

library(data.table)
library(tidyr)
library(dplyr)
df1 <- fread("Chromosome   Position   Start   End
    1           101      101    101
             2           101      101    101
             3           600      600    600")
df2<- fread("Chromosome Start End      CpG
    1       50   200       10
    1       300  400        2
    4       100  200        5")

df <-df1 %>%select(Chromosome, Position)%>%
  left_join(df2, 
            by = "Chromosome") %>% 
  filter(Position >= Start & Position <= End)

或引用列的真实名称，然后删除多余的列：

df <-df1 %>%
  left_join(df2, 
            by = "Chromosome") %>% 
  filter(Position >= Start.y & Position <= End.y)

干杯！

Answer 2

对于 data.table 解决方案，您应该查看 Arun 在@Henrik 提供的 link 中关于非等值连接的第二个答案。 Overlap join with start and end positions

基于此，我们有

library(data.table)

df1 <- data.table(Chromosome=1:3,Position=c(101,101,600),
                  Start=c(101,101,600),End=c(101,101,600))

df2 <- data.table(Chromosome=c(1,1,4),
                  Start=c(50,300,100),End=c(200,400,200),CpG=c(10,2,5))

df1[df2,.(Chromosome,Position=x.Position,Start,End,CpG),
    on=.(Chromosome,Position>=Start,Position<=End),nomatch=0L]

给予

       Chromosome Position Start End CpG
1:              1      101   101 101  10

这不太正确，因为它需要 Start 和 End 来自 df1 而不是 df2。为什么 df1 中还有 Start 和 End？

一种处理方法是不将它们包含在连接语句中：

df1[,.(Chromosome,Position)][df2,
    .(Chromosome,Position=x.Position,Start,End,CpG),
   on=.(Chromosome,Position>=Start,Position<=End),nomatch=0L]

给予

   Chromosome Position Start End CpG
1:          1      101    50 200  10

[编辑以注意@Carles Sans Fuentes 在他的 dplyr 回答中发现了同样的问题。]

为了检查更多匹配的案例，我添加了更多数据：

 df1 <- data.table(Chromosome=c(1,1:4),Position=c(350,101,101,600,200),
                       Start=c(350,101,101,600,200),End=c(350,101,101,600,200))
    
    df1
       Chromosome Position Start End
    1:          1      350   350 350
    2:          1      101   101 101
    3:          2      101   101 101
    4:          3      600   600 600
    5:          4      200   200 200
    
    
    
        df1[,.(Chromosome,Position)][df2,
            .(Chromosome,Position=x.Position,Start,End,CpG),
           on=.(Chromosome,Position>=Start,Position<=End),nomatch=0L]
    
       Chromosome Position Start End CpG
    1:          1      101    50 200  10
    2:          1      350   300 400   2
    3:          4      200   100 200   5

我想这就是您想要的。

如何匹配另一个数据集范围内的行

How to match rows within in a range of another dataset

r

bioinformatics

filter

dplyr

data.table