迭代两个列表的有效方法（嵌套循环替代方案）

Question

我有两个数据框，SCR 和SpecificSpecies。 SCR中的项目名称部分包含Specific Species中列出的物种。

SpecificSpecies$Species
S cerevisiae
Daucus carota

SCR$MESH_HEADINGS
tetracycline CMT-3 
zrg17 protein, S cerevisiae
EP4 glycoprotein, Daucus carota

我正在尝试获取仅包含那些没有任何匹配物种的条目的 SCR 子集。在上述情况下，该列表将只是

tetracycline CMT-3.

我学会这样做的方法是使用嵌套循环，将 SCR 中的每个条目与 SpecificSpecies 中的每个条目进行比较。当没有找到匹配项时，将 SCR 的行追加到新表中：

For each row in SCR {
  SpeciesNumber <- 1
  match <-NULL
  while ((is.null(match)) & (SpeciesNumber < length(SpecificSpecies$Species))) {
  if (grepl(SpecificSpecies$Species[SpeciesNumber], SCR[row,]$MESH_HEADING)){
    match <- TRUE}
  SpeciesNumber <- SpeciesNumber + 1}
  if ((is.null(match) & SpeciesNumber == length(SpecificSpecies$Species)) {
    speciesNoMatch = rbind(speciesNoMatch, SCR[row])}
}}

但这非常慢，SCR 中有 65,000 个条目，SpecificSpecies 中有大约 1500 个条目。有没有办法用 lapply 像这样嵌套？或者其他一些我不熟悉的可以在这里有所帮助的功能？

我确信这是一个糟糕的代码。我是一名医学图书馆员，有时必须使用 R 进行数据分析，所以我的编程技能非常有限，但通常只要它们最终有效，我的解决方案是否丑陋或效率低下并不重要。我知道必须有更好的方法来做到这一点；请原谅我对可能是一个简单解决方案的事情一无所知。

Answer 1

我认为!(%in%) 可以解决问题：

SpecificSpecies <- data.frame(
  Species = c("S cerevisiae", "Daucus carota"),
  stringsAsFactors = FALSE
)

SCR <- data.frame(
  MESH_HEADINGS = c("tetracycline CMT-3", "zrg17 protein", "S cerevisiae", 
                    "EP4 glycoprotein", "Daucus carota"),
  stringsAsFactors = FALSE
)


SCR[!(SCR$MESH_HEADINGS %in% SpecificSpecies$Species), , drop = FALSE]
#        MESH_HEADINGS
# 1 tetracycline CMT-3
# 2      zrg17 protein
# 4   EP4 glycoprotein

, , drop = ... 不是错字。第一个 , 确保返回所有列/变量。第二个, drop = FALSE 确保返回的结果仍然是一个数据帧。

更正

好的，我刚刚注意到您正在寻找 grep 和 Species。以下代码应该可以工作：

SpecificSpecies <- data.frame(
  Species = c("S cerevisiae", "Daucus carota"),
  stringsAsFactors = FALSE
)

SCR <- data.frame(
  MESH_HEADINGS = c("tetracycline CMT-3",
                    "zrg17 protein, S cerevisiae", 
                    "EP4 glycoprotein, Daucus carota"),
  stringsAsFactors = FALSE
)

matching <- lapply(SpecificSpecies$Species, function(x) {
  grep(x, SCR$MESH_HEADINGS)
})

SCR[-(unlist(matching)), ]
#        MESH_HEADINGS
# 1 tetracycline CMT-3

lapply() 使用匿名函数来识别模式匹配。它遍历每个物种并将其与每个SCR$MESH_HEADINGS 项目进行比较。它返回匹配索引的列表。

在我们首先 unlisted 匹配的索引以使其与子集函数兼容之后，子集 ([]) 只需删除匹配的索引 (-)。

Answer 2

主要思想：

在 SpecificSpecies 上执行循环，因为它的行数较少。 由于 SCR 数据帧会减少，因此递归执行，因此循环每次处理的数据更少。

一般来说，data.table 或 plyr 包可以提高性能。 这里是data.table的解决方案

    library(data.table)
SpecificSpecies <- data.frame(Species = c("S cerevisiae", "Daucus carota"),stringsAsFactors = FALSE)
SCR <- data.frame(MESH_HEADINGS = c("tetracycline CMT-3", "zrg17 protein, S cerevisiae","EP4 glycoprotein Daucus carota"),stringsAsFactors = FALSE)

dt_temp <- data.table(SCR)
for (species in SpecificSpecies$Species) {
  dt_temp <- dt_temp[!grepl(species,dt_temp$MESH_HEADINGS), ]
}
dt_result <- dt_temp
dt_result