如何根据组内的子字符串匹配两个数据帧答案

【问题标题】：How to match two data frames based on substrings within groups如何根据组内的子字符串匹配两个数据帧
【发布时间】：2019-08-06 09:05:50
【问题描述】：

我想合并两个按相同标识符分组的数据框。第一个数据帧 (valueA) 中的变量应与第二个数据帧 (valueB) 中变量的子字符串匹配，但仅限于组内。

我可以设法匹配匹配变量，但我正在努力将匹配限制为分组变量。以下是示例数据框和匹配代码：

df1 <- data.frame(report = c('Report1','Report1','Report1','Report1','Report1','Report1'),
            identifier = c('Abraham', 'Abraham', 'Abraham','Barack', 'Barack','Barack'),
            variableA = c('V1','V2','V3','V1','V2', 'V3'),
            value = c('CDKN2A/B','PALB2','KRAS','TP53','RB1','KRAS'))

df2 <- data.frame(report = c('Report1','Report1','Report1','Report1','Report1','Report1','Report1'),
            identifier = c('Abraham', 'Abraham', 'Abraham','Abraham','Barack', 'Barack','Barack'),
            variableB = c('F1','F2','F3','F4','F1','F2', 'F3'),
            valueB = c('CDKN2A/B LOSS','PALB2 P1111FS*13','KRAS G12R','PALB2 N540FS*1','RB1 SPLICE SITE 2325+1G>A','KRAS G13C','TP53 C238F'))

这是我尝试过的代码，但不适用于群组

idx2 <- sapply(df1$value, grep, df2$valueB)
idx1 <- sapply(seq_along(idx2), function(i) rep(i, length(idx2[[i]])))
idx3 <- cbind(df1[unlist(idx1),,drop=F], df2[unlist(idx2),,drop=F])

预期输出是（数据框代码）

df3 <- data.frame(report=c('Report1','Report1','Report1','Report1','Report1','Report1','Report1'),
                  identifier = c('Abraham', 'Abraham', 'Abraham','Abraham','Barack', 'Barack','Barack'),
                  variableA = c('V1','V2','V3','V2','V1','V2', 'V3'),
                  value = c('CDKN2A/B','PALB2','KRAS','PALB2','TP53','RB1','KRAS'),
                  variableB = c('F1','F2','F3','F4','F1','F2', 'F3'),
                  valueB = c('CDKN2A/B LOSS','PALB2 P1111FS*13','KRAS G12R','PALB2 N540FS*1','TP53 C238F','RB1 SPLICE SITE 2325+1G>A','KRAS G13C'))

结果数据框

report  identifier  variableA   value   variableB   valueB
Report1 Abraham     V1      CDKN2A/B    F1  CDKN2A/B LOSS
Report1 Abraham     V2      PALB2   F2  PALB2   P1111FS*13
Report1 Abraham     V3      KRAS    F3  KRAS    G12R
Report1 Abraham     V2      PALB2   F4  PALB2   N540FS*1
Report1 Barack      V1      TP53    F1  TP53    C238F
Report1 Barack      V2      RB1 F2  RB1 SPLICE SITE 2325+1G>A
Report1 Barack      V3      KRAS    F3  KRAS    G13C

希望这是有道理的，非常感谢您的帮助！

【问题讨论】：

标签： r string match grouping partial

【解决方案1】：

您可以为此使用fuzzyjoin-package：

fuzzy_inner_join(df2, df1, by = c("valueB" = "valueA", "identifier" = "identifier"), match_fun = list(str_detect, `==`)) %>%
  select(report.x, identifier.x, variableA, valueA, variableB, valueB)

  report.x identifier.x variableA   valueA variableB                    valueB
1  Report1      Abraham        V1 CDKN2A/B        F1             CDKN2A/B LOSS
2  Report1      Abraham        V2    PALB2        F2          PALB2 P1111FS*13
3  Report1      Abraham        V3     KRAS        F3                 KRAS G12R
4  Report1      Abraham        V2    PALB2        F4            PALB2 N540FS*1
5  Report1       Barack        V2      RB1        F1 RB1 SPLICE SITE 2325+1G>A
6  Report1       Barack        V3     KRAS        F2                 KRAS G13C
7  Report1       Barack        V1     TP53        F3                TP53 C238F

这样您就可以对不同的列应用不同的匹配函数。在这种情况下，我们使用str_detect() 作为您的模糊匹配列，并使用== 作为您的分组列。

【讨论】：

感谢@Humpel，我收到以下错误：错误：tibble 中的所有列都必须是 1d 或 2d 对象：* 列 col 为 NULL 调用 rlang::last_error() 以查看回溯。可能是一个问题，因为它是一个数据框？
不确定，这似乎不是fuzzyjoin-错误。也许您的样本数据和真实数据不同？您的列必须是 character，但这不是导致此错误的原因。
他在一开始的解释中是这么说的。所以我认为这是样本数据中的错字。忘记提了。谢谢！
谢谢，列名是原因。但是现在我遇到了一个新错误： UseMethod("type") 中的错误：没有适用于“类型”的方法应用于“因子”类的对象
@Zipfer do fuzzy_inner_join(mutate_all(df2,as.character), mutate_all(df1,as.character), by = c("valueB" = "value", "identifier" = "identifier"), match_fun = list(str_detect, `==`))

【解决方案2】：

我们可以使用str_extract 来捕获公共字符串并在其上合并，即

library(stringr)

merge(df1, 
      transform(df2, value = sapply(df2$valueB, function(i)
                                  str_extract(i, paste(df1$value, collapse = '|')))), 
       by = c('value', 'identifier', 'report'))

#         value identifier  report variableA variableB                    valueB
#    1 CDKN2A/B    Abraham Report1        V1        F1             CDKN2A/B LOSS
#    2     KRAS    Abraham Report1        V3        F3                 KRAS G12R
#    3     KRAS     Barack Report1        V3        F2                 KRAS G13C
#    4    PALB2    Abraham Report1        V2        F2          PALB2 P1111FS*13
#    5    PALB2    Abraham Report1        V2        F4            PALB2 N540FS*1
#    6      RB1     Barack Report1        V2        F1 RB1 SPLICE SITE 2325+1G>A
#    7     TP53     Barack Report1        V1        F3                TP53 C238F

【讨论】：