通过另一个数据帧的两列中的值对两个数据帧中的数据帧进行子集[重复]

Question

我有两个数据框。 df1 看起来像（或我感兴趣的 df1 列）：

position
2
6
12
18
25
31

df2 看起来像：

start   end
2       17
24      29

我想保留 df1 中仅位于（=）df2 的开始和结束坐标之间的位置，以便过滤后 df1 看起来像这样：

position
2
6
12
25

然后我想将过滤掉的 df1 的“剩余”值保留在另一个数据框中，我们称之为 df4。

df4 看起来像：

position
18
31

我可以使用 for 循环（来自 perl，目前正在学习 R）以 perl 方式执行此操作，但我很确定我可以以某种方式使用 filter 或其他一些 dplyr 或基本 R 函数组合来实现此目的。

任何帮助将不胜感激！

编辑：添加了 df4 计算，因为我的问题被标记为重复，这在其他类似线程中找不到。这是我感兴趣的事情，可以让我的代码更快！

Answer 1

单行，简单的基础解决方案：

df1[df1$position %in% unlist(apply(df2,1,function(x) x["start"]:x["end"])),]

apply 只生成一个包含所有开始和结束之间的案例的向量。

Answer 2

这是一个base R 选项

do.call(rbind, Map(function(i, j) 
  df1[df1$position > i & df1$position < j, , drop = FALSE], 
      df2$start, df2$end))
#    position
#1        3
#2        6
#3       12
#5       25

---

或使用fuzzy_join

library(fuzzyjoin)
library(dplyr)
fuzzy_inner_join(df1, df2, by = c('position' = 'start', 'position' = 'end'), 
        match_fun = list(`>`, `<`)) %>%
    select(position)
#  position
#1        3
#2        6
#3       12
#4       25

---

或者使用来自data.table的非等连接

setDT(df2)[df1, on = .(start < position, end > position), .(position), nomatch = 0]
#   position
#1:        3
#2:        6
#3:       12
#4:       25

数据

df1 <- structure(list(position = c(3L, 6L, 12L, 18L, 25L, 31L)), row.names = c(NA, 
 -6L), class = "data.frame")

df2 <- structure(list(start = c(2L, 24L), end = c(17L, 29L)), 
 class = "data.frame", row.names = c(NA, -2L))

Answer 3

base R 解决方案（无需包）

keepRows<-
sapply(df1$position, function(x_o) {
    any(apply(df2, 1, function(x) {x_o => x[1] & x_o <= x[2]}))
})

df1[keepRows,, drop = FALSE]

结果：

#  position
#1        3
#2        6
#3       12
#5       25

---

请注意：

• 这基本上是一个双循环，我不知道用base::来解决这个问题。

• 是否应包含边框值？您对“之间”非常模糊。目前，我不包括它们。您可以使用<=, >= 进行更改。

---

要获得“剩余”，请使用否定：

df1[!keepRows,, drop = FALSE]

Answer 4

我们可以full_join这两个数据框，然后过滤start和end列中的行。示例中的Flag 列仅用于连接。最后，我们可以使用distinct 删除重复的行。

library(dplyr)

df3 <- df1 %>%
  mutate(Flag = 1) %>%
  full_join(df2 %>% mutate(Flag = 1), by = "Flag") %>%
  filter(position >= start, position <= end) %>%
  distinct(position)
df3
#   position
# 1        3
# 2        6
# 3       12
# 4       25

数据

df1 <- read.table(text = "position
3
                  6
                  12
                  18
                  25
                  31", header = TRUE)

df2 <- read.table(text = "start   end
2       17
24      29",
                  header = TRUE)

Answer 5

这是另一种以 df2 开头的方法（我并不是说这比 Andre 的方法更明智）：

subset(df1, apply(apply(df2, 1, function (x) {dplyr::between(df1$position, x["start"], x["end"])}), 1, any))

在做出决定之前，您可能应该对建议的方法进行一些基准测试。