仅对间隔不在另一个 data.frame 内的那些行进行子集化

Question

我如何比较两个长度不等的数据帧（测试和控制），并根据三个标准从测试中删除该行，i) 如果 test$chr == control$chr ii) test$start 和 test$end 位于 control$start 和 control$end 范围内 iii) test$CNA 和 control$CNA 相同。

    test = 
        R_level  logp   chr start   end     CNA    Gene
        2     7.079     11  1159    1360    gain   Recl,Bcl
        11    2.4       12  6335    6345    loss   Pekg
        3     19        13  7180    7229    loss   Sox1

control =

  R_level    logp   chr  start  end     CNA    Gene
        2     5.9     11  1100  1400    gain   Recl,Bcl 
        2     3.46    11  1002  1345    gain    Trp1
        2     6.4     12  6705  6845    gain    Pekg
        4     7       13  6480  8129    loss    Sox1

结果应该是这样的

result =
     R_level     logp   chr start   end     CNA     Gene
          11      2.4    12  6335   6345    loss   Pekg

Answer 1

当您说 "exclude the variable" 时，我假设您的意思是要删除满足这些条件的行。

如果是这样，你就快成功了。以下应该有效：

exclude_bool <- data1[,3] == data2[,3] &
data1[,4] > data2[,5] &
data1[,5] < data2[,4] &
data1[,6] == data2[,6] 

data1 <- data1[!exclude_bool , ]

Answer 2

这是使用 data.table 中的 foverlaps() 的一种方法。

require(data.table) # v1.9.4+
dt1 <- as.data.table(test)
dt2 <- as.data.table(control)
setkey(dt2, chr, CNA, start, end)

olaps = foverlaps(dt1, dt2, nomatch=0L, which=TRUE, type="within")
#    xid yid
# 1:   1   2
# 2:   3   4

dt1[!olaps$xid]
#    R_level logp chr start  end  CNA Gene
# 1:      11  2.4  12  6335 6345 loss Pekg

阅读 ?foverlaps 并查看示例部分了解更多信息。

或者，您也可以使用 GenomicRanges 包。但是，在按重叠区域 (AFAICT) 合并后，您可能必须根据 CNA 进行过滤。

仅对间隔不在另一个 data.frame 内的那些行进行子集化

Subset only those rows whose intervals does not fall within another data.frame

r

overlapping-matches

dataframe