如何通过字符串列半连接两个数据帧，其中一个以冒号分隔

Question

我有两个数据框，dfa 和 dfb：

dfa <- data.frame(
  gene_name = c("MUC16", "MUC2", "MET", "FAT1", "TERT"),
  id = c(1:5)
)

dfb <- data.frame(
  gene_name = c("MUC1", "MET; BLEP", "MUC21", "FAT", "TERT"),
  id = c(6:10)
)

看起来像这样：

> dfa
  gene_name id
1     MUC16  1
2      MUC2  2
3       MET  3
4      FAT1  4
5      TERT  5

> dfb
  gene_name id
1      MUC1  6
2 MET; BLEP  7
3     MUC21  8
4       FAT  9
5      TERT 10

dfa 是我感兴趣的基因列表：我想将dfb 行保留在它们出现的位置，注意数字（MUC1 是不是 MUC16）。我的new_df 应该是这样的：

> new_df
  gene_name id
1 MET; BLEP  7
2      TERT 10

我的问题是常规的dplyr::semi_join() 确实匹配，这没有考虑dfb$gene_names 可以包含用"; " 分隔的基因这一事实。这意味着在此示例中，"MET" 不会保留。

我试图调查fuzzyjoin::regex_semi_join，但我不能让它做我想做的事......

欢迎使用 tidyverse 解决方案。 （也许是stringr？！）

编辑：后续问题...

我将如何进行倒数anti_join？在这种方法中简单地将semi_join 更改为anti_join 是行不通的，因为MET; BLEP 行在不应该出现的时候出现了......

在anti_join 之后添加filter(gene_name == new_col) 可用于提供的简单数据集，但如果我像这样稍微扭曲一下：

dfa <- data.frame(
  gene_name = c("MUC16", "MUC2", "MET", "FAT1", "TERT"),
  id = c(1:5)
)

dfb <- data.frame(
  gene_name = c("MUC1", "MET; BLEP", "MUC21; BLOUB", "FAT", "TERT"),
  id = c(6:10)
)

...然后就没有了。在这里和我的真实数据集中，dfa 不包含分号，它只是一列单个基因名称。但是dfb包含了很多信息，分号的多种组合...

Answer 1

我想我终于设法让fuzzyjoin::regex_joins 做我想做的事。这非常简单，我只需要调整我的dfa 过滤器列表：

library(fuzzyjoin)

# add "\b" regex expression before/after each gene of the list to filtrate from
# (to search for whole words)
dfa$gene_name <- paste0("\\b", dfa$gene_name, "\\b")

# to keep genes from dfb that are present in the dfa filter list
dfb %>% 
  regex_semi_join(dfa, by = c(gene_name = "gene_name"))

# to exclude genes from dfb that are present in the dfa filter blacklist
dfb %>% 
  regex_anti_join(dfa, by = c(gene_name = "gene_name"))

不过有个缺点：速度很慢...

Answer 2

您可以在加入前使用seperate_rows() 拆分数据框。请注意，如果 dfa 中存在 BLEP，则会导致重复，这就是使用 distinct 的原因

dfa <- data.frame(
  gene_name = c("MUC16", "MUC2", "MET", "FAT1", "TERT"),
  id = c(1:5),
  stringsAsFactors = FALSE
)

dfb <- data.frame(
  gene_name = c("MUC1", "MET; BLEP", "MUC21", "FAT", "TERT"),
  id = c(6:10),
  stringsAsFactors = FALSE
)


library(tidyverse)

dfb%>%
  mutate(new_col = gene_name)%>%
  separate_rows(new_col,sep = "; ")%>%
  semi_join(dfa,by = c("new_col" = "gene_name"))%>%
  select(gene_name,id)%>%
  distinct()

Answer 3

这是使用stringr 和purrr 的解决方案。

library(tidyverse)

dfb %>%
 mutate(gene_name_list = str_split(gene_name, "; ")) %>%
 mutate(gene_of_interest = map_lgl(gene_name_list, some, ~ . %in% dfa$gene_name)) %>%
 filter(gene_of_interest == TRUE) %>%
 select(gene_name, id)