识别另一个列表中包含的同时是数据框元素的列表元素答案

【问题标题】：Identifying list elements contained in another list that are both elements of a data frame识别另一个列表中包含的同时是数据框元素的列表元素
【发布时间】：2022-08-04 22:31:56
【问题描述】：

我有两个数据框，DF1，DF2，每个都有两列（a，b）。一列 (a) 是唯一标识符，另一列是 (b) 列，其中包含包含列表的元素。该列表包含标签名称。我想搜索 DF2$b 元素以查看它们是否包含在 DF1$b 中，如果是，我想创建一个新列 DF2$c，它采用 DF1a 中的标识符。棘手的部分是，如果唯一标识符是数据框中存在的最小联合，我只想采用唯一标识符。作为一些背景，这些数据来自系统发育树。 DF2 是 DF1 的子样本。 DF2 中的所有提示都包含在 DF1 中。我想将 DF2 的节点与 DF1 的节点进行比较（节点名称不同），但我可以从每个节点的后代的提示中识别节点。

如果我用一个例子来解释会更容易：

df1 <- data.frame(a = c(1486, 1485, 1484, 1483, 1482, 1481, 1480, 1479))
df1$b = list(c(\"KC792204\", \"KF150733\", \"KC792205\"), c(\"KC792204\", \"KF150733\", \"KC792205\", \"JX987740\", \"KX148108\", \"JX987724\"), c(\"KC792204\", \"KF150733\", \"KC792205\", \"KC791848\"), c(\"KJ201900\", \"KJ201899\", \"KF535207\"), c(\"KJ201900\", \"KJ201899\", \"KF535207\", \"AB817119\", \"AB817100\"), c(\"GU731662\", \"GU731661\", \"KP319229\", \"KY428876\"), c(\"GU731662\", \"GU731661\", \"MT826960\"), c(\"GU731662\", \"GU731661\", \"MT826960\", \"AM689535\", \"GU731663\"))

df2 <- data.frame(a = c(8645, 1247, 5879, 1548, 2487, 1245, 1247, 3695))
df2$b = list(c(\"KC792204\", \"KF150733\"), c(\"KC792204\", \"KC792205\", \"KC791848\"), c(\"KJ201900\", \"KF535207\"), c(\"KC792204\", \"JX987740\", \"KX148108\", \"JX987724\"), c(\"GU731662\", \"GU731661\", \"MT826960\", \"GU731663\"), c(\"KJ201900\", \"KJ201899\", \"AB817119\", \"AB817100\"), c(\"GU731661\", \"KP319229\", \"KY428876\"), c(\"GU731662\", \"MT826960\"))

我想在 df2 中创建一个新列 df2$c，它标识 df1 中包含 df2$b 的最小列表（或节点）。这个新列由 df1$a（唯一标识符）创建。在示例中， df2$c （按顺序）

c(\"1486,1484,1483,1485,1479,1482,1481,1480\")

以前两个为例：

df2$a is c(\"KC792204\", \"KF150733\")

这个可以在df1$b[1], df1$b[2], df1$b[3], or 1486, 1485, or 1484.找到，因为我在找最小长度的列表，所以结果是1486。1486是最小长度的列表，包含了所有被搜索的标签。 df2$b is c(\"KC792204\", \"KF150733\", \"KC791848\") 中的下一个列表。这个结果是 1484，因为只有 df$1b 中的列表 1484 包含这三个标签。

我努力了：

df2$c <- ifelse(df2$b %in% df1$b, df1$a, \'other\')

但我将列表作为一个整体而不是每个列表中的元素进行比较。我还需要找到包含搜索标签的最小列表。

标签： r if-statement dplyr phylogeny ape

【解决方案1】：

这是一种使用data.table 和辅助函数的方法

library(data.table)
setDT(df1)[, l:=sapply(b,length)]
f <- function(k) df1[sapply(df1$b,\(i) all(k %chin% i))][l==min(l),a]
setDT(df2)[, c:=sapply(b,f)]

输出 (df2)

       a                                   b     c
   <num>                              <list> <num>
1:  8645                   KC792204,KF150733  1486
2:  1247          KC792204,KC792205,KC791848  1484
3:  5879                   KJ201900,KF535207  1483
4:  1548 KC792204,JX987740,KX148108,JX987724  1485
5:  2487 GU731662,GU731661,MT826960,GU731663  1479
6:  1245 KJ201900,KJ201899,AB817119,AB817100  1482
7:  1247          GU731661,KP319229,KY428876  1481
8:  3695                   GU731662,MT826960  1480

解释：

第 1 行：加载库
第 2 行：向 df1 添加一列，指示 b 中向量的长度 (l)
第 3 行：定义接收字符向量 (k) 的辅助函数 (f)，检查以将 df1 中的行限制为 k 的所有元素都在 b 中找到的行，并且在这些行中，返回 a 值，其中 l 被最小化
第4行：将f应用于df2中b的每个值，将结果分配给c

2022 年 8 月 4 日更新：

OP 已询问是否可以调整上面的辅助函数，以便从 df1 中的行中选择 a 值，其中 df2$b 中的 p 多个元素在 df1$b 中找到。这里是对辅助函数的一种可能调整：

f <- function(k, p=1) {
  df1[sapply(df1$b,\(i) mean(k %chin% i)>=p)][l==min(l),a]
}

请注意，由于k %chin% i 返回一个逻辑向量，其均值只是 k（即 df2$b）中的元素在i 中的比例，即df1%b..sapply() 仍然返回一个逻辑向量，因为我们随后会询问该比例是否等于或超过p。请注意，由于p 的默认值为1，因此在不指定p 的情况下使用此函数将返回与原始辅助函数相同的结果。

要从行中选择 a 值是否 95% 的元素匹配，请像以前一样调用修改后的辅助函数 f，但将 p 设置为 0.95

setDT(df2)[, c:=sapply(b,f, p=0.95)]

【讨论】：

谢谢-这很有效，您的解释非常有用。我有一个后续问题。有没有办法适应这一点，所以我可以设置要在 b 中找到的 k 元素的百分比。正如目前所写的那样，这必须是 100%。在我的数据集中，有几个例子，其中 b 的列表有 500 个值长，而在 b 中只找到了 499 个。我想设置一些东西，所以我可以说，如果在 b 中找到 K 的 95% 的元素，那么继续。
我认为我的编辑为您的问题提供了一种解决方案。看看它是否适合您的需要。

【解决方案2】：

这是一种选择：

library(data.table) # for %chin%

df1 <- data.frame(a = c(1486, 1485, 1484, 1483, 1482, 1481, 1480, 1479))
df1$b = list(c("KC792204", "KF150733", "KC792205"), c("KC792204", "KF150733", "KC792205", "JX987740", "KX148108", "JX987724"), c("KC792204", "KF150733", "KC792205", "KC791848"), c("KJ201900", "KJ201899", "KF535207"), c("KJ201900", "KJ201899", "KF535207", "AB817119", "AB817100"), c("GU731662", "GU731661", "KP319229", "KY428876"), c("GU731662", "GU731661", "MT826960"), c("GU731662", "GU731661", "MT826960", "AM689535", "GU731663"))

df2 <- data.frame(a = c(8645, 1247, 5879, 1548, 2487, 1245, 1247, 3695))
df2$b = list(c("KC792204", "KF150733"), c("KC792204", "KC792205", "KC791848"), c("KJ201900", "KF535207"), c("KC792204", "JX987740", "KX148108", "JX987724"), c("GU731662", "GU731661", "MT826960", "GU731663"), c("KJ201900", "KJ201899", "AB817119", "AB817100"), c("GU731661", "KP319229", "KY428876"), c("GU731662", "MT826960"))

df2$c <- df1$a[
  Rfast::colMaxs(
    outer(
      seq_along(df1$b),
      seq_along(df2$b),
      function(i, j) mapply(
        function(x, y) all(y %chin% x),
        df1$b[i],
        df2$b[j]
      )
    )/lengths(df1$b)
  )
]
df2$c
#> [1] 1486 1484 1483 1485 1479 1482 1481 1480

如果一行可能不匹配，则应修改上述内容：

m <- outer(
  seq_along(df1$b),
  seq_along(df2$b),
  function(i, j) mapply(
    function(x, y) all(y %chin% x),
    df1$b[i],
    df2$b[j]
  )
)
df2$c <- ifelse(colSums(m) == 0L, NA, df1$a[Rfast::colMaxs(m/lengths(df1$b))])

【讨论】：