使用 dplyr 以根据另一个 df 更改列值

【问题标题】：Using dplyr in order to change column value according to another df使用 dplyr 以根据另一个 df 更改列值
【发布时间】：2020-10-08 12:34:13
【问题描述】：

您好，我有一个 df1：

scaf_name       coordinates value    
JZSA01000001.1  1   2
JZSA01000001.1  2   2
JZSA01000001.1  3   2
JZSA01000001.1  4   2
JZSA01000001.1  5   2
JZSA01000001.1  6   2
JZSA01000001.1  7   2
JZSA01000001.1  8   2
JZSA01000001.1  9   2
JZSA01000001.1  10  2
JZSA01000001.1  11  5
JZSA01000001.1  12  5
JZSA01000001.1  13  5
JZSA01000001.1  14  5
JZSA01000001.1  15  5
JZSA01000001.1  16  5
JZSA01000001.1  17  5
JZSA01000001.1  18  6
JZSA01000002.1  1   2
JZSA01000002.1  2   2
JZSA01000002.1  3   2
JZSA01000002.1  4   2
JZSA01000002.1  5   2
JZSA01000002.1  6   2
JZSA01000003.1  1   5
JZSA01000003.1  2   5
JZSA01000003.1  3   6
JZSA01000003.1  4   6
JZSA01000003.1  5   6
JZSA01000003.1  6   6
JZSA01000003.1  7   6
JZSA01000003.1  8   6
JZSA01000003.1  9   6

还有另一个df_interval

scaffold          start     end
JZSA01000001.1_0  1         14
JZSA01000001.1_1  15        18
JZSA01000002.1    1         12
JZSA01000003.1_0  1         3
JZSA01000003.1_1  4         6
JZSA01000003.1_2  7         9

我想根据df1$scaf_name$start和df1$scaf_name$end更改df1$scaf_name

比如

每个包含df_interval$scaffold 的df1$scaf_name 以及df1$coordinates os 之间的1-14 将被命名为JZSA01000001.1_0

这里我应该得到输出

scaf_name       coordinates value    
JZSA01000001.1_0    1   2
JZSA01000001.1_0    2   2
JZSA01000001.1_0    3   2
JZSA01000001.1_0    4   2
JZSA01000001.1_0    5   2
JZSA01000001.1_0    6   2
JZSA01000001.1_0    7   2
JZSA01000001.1_0    8   2
JZSA01000001.1_0    9   2
JZSA01000001.1_0    10  2
JZSA01000001.1_0    11  5
JZSA01000001.1_0    12  5
JZSA01000001.1_0    13  5
JZSA01000001.1_0    14  5
JZSA01000001.1_1    15  5
JZSA01000001.1_1    16  5
JZSA01000001.1_1    17  5
JZSA01000001.1_1    18  6
JZSA01000002.1      1   2
JZSA01000002.1      2   2
JZSA01000002.1      3   2
JZSA01000002.1      4   2
JZSA01000002.1      5   2
JZSA01000002.1      6   2
JZSA01000003.1_0    1   5
JZSA01000003.1_0    2   5
JZSA01000003.1_0    3   6
JZSA01000003.1_1    4   6
JZSA01000003.1_1    5   6
JZSA01000003.1_1    6   6
JZSA01000003.1_2    7   6
JZSA01000003.1_2    8   6
JZSA01000003.1_2    9   6

df1 文件非常大，如果有人想尽可能快，那就太棒了。 谢谢

数据

df1

structure(list(scaf_name = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 
2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L), .Label = c("JZSA01000001.1", 
"JZSA01000002.1", "JZSA01000003.1"), class = "factor"), coor = c(1L, 
2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 
16L, 17L, 18L, 1L, 2L, 3L, 4L, 5L, 6L, 1L, 2L, 3L, 4L, 5L, 6L, 
7L, 8L, 9L), dinates.value = c(2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
2L, 2L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 6L, 2L, 2L, 2L, 2L, 2L, 2L, 
5L, 5L, 6L, 6L, 6L, 6L, 6L, 6L, 6L)), class = "data.frame", row.names = c(NA, 
-33L))

df_interval

structure(list(scaffold = structure(1:6, .Label = c("JZSA01000001.1_0", 
"JZSA01000001.1_1", "JZSA01000002.1", "JZSA01000003.1_0", "JZSA01000003.1_1", 
"JZSA01000003.1_2"), class = "factor"), start = c(1L, 15L, 1L, 
1L, 4L, 7L), end = c(14L, 18L, 12L, 3L, 6L, 9L)), class = "data.frame", row.names = c(NA, 
-6L))

我得到了这个解决方案：

library(data.table)
setDT(df1)[df_interval, scaf_name := scaffold,
         on =  .(coordinates >= start, coordinates <= end)]

但对于某些scaf_name，它们会从输出中删除...

为 Ronak 编辑

这里是等价的头（df_interval，这里叫interval_tab之后）我用的代码

setDT(interval_tab)[, scaf_name := sub("(? 

> head(interval_tab)
       scaffold start   end  scaf_name
1:   KQ759765.1     1  1417 KQ759765.1
2:   KQ759766.1     1  1389 KQ759766.1
3: KQ759767.1_0     1 23930 KQ759767.1
4: KQ759767.1_1 23931 83220 KQ759767.1
5: KQ759767.1_2 83221 92117 KQ759767.1
6: KQ759767.1_3 92118 92679 KQ759767.1

这里是等效df1的头部（这里称为tab）

> head(tab)
           V1 V2 V3
1: KQ759765.1  1  0
2: KQ759765.1  2  0
3: KQ759765.1  3  0
4: KQ759765.1  4  0
5: KQ759765.1  5  0
6: KQ759765.1  6  0

然后我使用了你的代码：

> setDT(tab)[interval_tab, scaf_name := scaffold,on =  .(scaf_name, V2 >= start, V2 <= end)]

并收到错误消息

Error in colnamesInt(x, names(on), check_dups = FALSE) : 
  argument specifying columns specify non existing column(s): cols[1]='scaf_name'

【问题讨论】：

  • 您能否指定“每个包含 df_interval$scaffold 的 df1$scaf_name 以及 1-14 之间的 df1$coordinates os 将被命名为 JZSA01000001.1_0”？你的意思是当每个没有下划线之前的脚手架都与 scaf_name 匹配？

标签： r dataframe dplyr data.table


【解决方案1】：

您需要创建一个在df_interval 和df1 之间通用的密钥。为此，您可以创建一个新列以删除 scaffold 列中下划线后的所有内容，然后进行连接。

library(data.table)
setDT(df_interval)[, scaf_name := sub('_.*', '', scaffold)]

setDT(df1)[df_interval, scaf_name := scaffold,on =  
                       .(scaf_name, coor >= start, coor <= end)]

这会返回：

#           scaf_name coor dinates.value
# 1: JZSA01000001.1_0    1             2
# 2: JZSA01000001.1_0    2             2
# 3: JZSA01000001.1_0    3             2
# 4: JZSA01000001.1_0    4             2
# 5: JZSA01000001.1_0    5             2
# 6: JZSA01000001.1_0    6             2
# 7: JZSA01000001.1_0    7             2
# 8: JZSA01000001.1_0    8             2
# 9: JZSA01000001.1_0    9             2
#10: JZSA01000001.1_0   10             2
#11: JZSA01000001.1_0   11             5
#12: JZSA01000001.1_0   12             5
#13: JZSA01000001.1_0   13             5
#14: JZSA01000001.1_0   14             5
#15: JZSA01000001.1_1   15             5
#16: JZSA01000001.1_1   16             5
#17: JZSA01000001.1_1   17             5
#18: JZSA01000001.1_1   18             6
#19:   JZSA01000002.1    1             2
#20:   JZSA01000002.1    2             2
#21:   JZSA01000002.1    3             2
#22:   JZSA01000002.1    4             2
#23:   JZSA01000002.1    5             2
#24:   JZSA01000002.1    6             2
#25: JZSA01000003.1_0    1             5
#26: JZSA01000003.1_0    2             5
#27: JZSA01000003.1_0    3             6
#28: JZSA01000003.1_1    4             6
#29: JZSA01000003.1_1    5             6
#30: JZSA01000003.1_1    6             6
#31: JZSA01000003.1_2    7             6
#32: JZSA01000003.1_2    8             6
#33: JZSA01000003.1_2    9             6
#           scaf_name coor dinates.value

【讨论】：

  • 您好，谢谢您，我试过了，但我收到了消息：``` colnamesInt 中的错误（i，unname（on），check_dups = FALSE）：指定列的参数指定不存在的列: cols[1]='scaf_name' ```你有想法@Ronak 吗？
  • 您是在您共享的数据或其他一些数据上进行测试吗？正则表达式可能在不同的数据上有所不同。这里的关键是df1 和df_interval 中的列名应该匹配。
  • 是的，我现在在其他更大的数据上使用它，它们应该匹配你的意思是所有值都应该匹配？
  • 注意你的第一个df1 值，它是JZSA01000001.1，现在检查你的第一个df_interval 值它是JZSA01000001.1_0。我们需要匹配它们，但我们不能直接这样做。在我的回答中，我在第一行setDT(df_interval)[, scaf_name := sub('_.*', '', scaffold)] 中使用sub 删除下划线后的所有内容，以便JZSA01000001.1_0 变为JZSA01000001.1，这将匹配df1 中的值。你现在需要在你的真实数据集中做同样的事情，这样列值是相同的，我们可以加入它们。
  • 您在tab 中没有scaf_name，因此您必须提及您要加入的列。试试setDT(tab)[interval_tab, scaf_name := scaffold,on = .(V1 = scaf_name, V2 &gt;= start, V2 &lt;= end)]
【解决方案2】：

这可行，您只需删除旧列即可：

library(dplyr)
df1 = structure(list(scaf_name = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 
                                             1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 
                                             2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L), .Label = c("JZSA01000001.1", 
                                                                                                     "JZSA01000002.1", "JZSA01000003.1"), class = "factor"), coor = c(1L, 
                                                                                                                                                                      2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 
                                                                                                                                                                      16L, 17L, 18L, 1L, 2L, 3L, 4L, 5L, 6L, 1L, 2L, 3L, 4L, 5L, 6L, 
                                                                                                                                                                      7L, 8L, 9L), dinates.value = c(2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
                                                                                                                                                                                                     2L, 2L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 6L, 2L, 2L, 2L, 2L, 2L, 2L, 
                                                                                                                                                                                                     5L, 5L, 6L, 6L, 6L, 6L, 6L, 6L, 6L)), class = "data.frame", row.names = c(NA, 
                                                                                                                                                                                                                                                                               -33L))
df_interval = structure(list(scaffold = structure(1:6, .Label = c("JZSA01000001.1_0", 
                                                                  "JZSA01000001.1_1", "JZSA01000002.1", "JZSA01000003.1_0", "JZSA01000003.1_1", 
                                                                  "JZSA01000003.1_2"), class = "factor"), start = c(1L, 15L, 1L, 
                                                                                                                    1L, 4L, 7L), end = c(14L, 18L, 12L, 3L, 6L, 9L)), class = "data.frame", row.names = c(NA, 
                                                                                                                                                                                                          -6L))
df_t = df1 %>%
  inner_join(df_interval, by = c("scaf_name" = "scaffold")) %>%
  mutate(newcol = case_when(coor>= 1 & coor <= 14 ~ "JZSA01000001.1_0 ")) %>%
  select(c("newcol", "coor", "dinates.value"))

编辑 现在旧值 a 已被替换。我从inner join变成了left join

df_t = df1 %>%
  left_join(df_interval, by = c("scaf_name" = "scaffold")) %>%
  mutate(scaf_name = replace(scaf_name, coor >= 1 &
                               coor <= 14 &
                               !is.na(end), "JZSA01000001.1_0")) %>% 
  select(c("scaf_name", "coor", "dinates.value"))

编辑 2

好的，现在我想我明白了。假设下划线拆分没问题，这很有效，看起来像您的解决方案：

df_interval$shorti = do.call(rbind, strsplit(as.character(df_interval$scaffold), "_"))[,1]
df_t = df1 %>%
  left_join(df_interval, by = c("scaf_name" = "shorti")) %>%
  filter(coor >= start & coor <= end) %>%
  mutate(scaf_name = ifelse(coor >= start &
                              coor <= end, as.character(scaffold), scaf_name)) %>%
  select(c("scaf_name", "coor", "dinates.value"))

【讨论】：

  • 你好，谢谢，但我不明白你为什么要添加这部分：case_when(coor&gt;= 1 &amp; coor &lt;= 14 ~ "JZSA01000001.1_0 "))结果只给我JZSA01000001.1then 的输出，而不是所有序列的输出...... @sequoia跨度>
  • 不太准确，JZSA01000002.1已被删除我不知道为什么，也许你可以看到我在帖子中写的预期输出？
  • 你好，我使用了另一个数据框并得到了错误：Error in vec_slice(x_out, x_slicer) : long vectors not supported yet: ../../src/include/Rinlinedfuns.h:519你知道发生了什么吗？ @红杉
  • 它不再重要了吗？由于您将其他答案标记为有帮助。但这只是意味着您的矩阵/向量太大。以及这里的建议（stackoverflow.com/q/60419930/6946122），您可以使用biglm 包
猜你喜欢
  • 2022-06-10
  • 2020-08-07
  • 1970-01-01
  • 2019-11-02
  • 2016-09-19
  • 2022-12-03
  • 1970-01-01
  • 2012-10-15
  • 2020-12-29
相关资源
最近更新 更多
热门标签
Java Python linux javascript Mysql C# Docker 算法 前端 SpringBoot Redis Vue spring 设计模式 .net core .net kubernetes c++ 数据库 数据结构 大数据 js 机器学习 微服务 Android Go 程序员 面试 JVM ASP.net core 云原生 人工智能 后端 PHP git CSS golang k8s Nginx Django mybatis 深度学习 多线程 React 架构 devops 爬虫 云计算 Spring Boot LeetCode