如何计算序列坐标的向量和数据框之间的匹配？答案

【问题标题】：How to count matches between a vector and dataframe of sequence coordinates?如何计算序列坐标的向量和数据框之间的匹配？
【发布时间】：2019-05-24 14:21:29
【问题描述】：

给定一个数据表，其中包含整数序列的开始和结束坐标：

set.seed(1)

df1 <- data.table(
  START = c(seq(1, 10000000, 10), seq(1, 10000000, 10), seq(1, 10000000, 10)),
  END = c(seq(10, 10000000, 10), seq(10, 10000000, 10), seq(10, 10000000, 10))

还有一个整数向量：

vec1 <- sample(1:100000, 10000)

如何计算 vec1 中位于 df1 中每个序列的开始和结束坐标内的整数个数？我目前正在使用 for 循环：

COUNT <- rep(NA, nrow(df1)) 
for (i in 1:nrow(df1)){
  vec2 <- seq(from = df1$START[i], to = df1$END[i])
  COUNT[i] <- table(vec2 %in% vec1)[2]
  print(i)
}
df1$COUNT <- COUNT

但是，我应用它的数据表和向量非常大？有人能提出提高性能的方法吗？

任何帮助将不胜感激！

【问题讨论】：

标签： r performance data.table

【解决方案1】：

一种选择是使用between

library(data.table)
df1[, count := sum(between(vec1, START, END)), by = seq_len(nrow(df1))]

【讨论】：

【解决方案2】：

我们可以通过非 equi 连接来做到这一点

df1[data.table(val = vec1),  count := .N,on = .(START < val,
      END >= val), by = .EACHI]
head(df1)

如果我们想以其他方式获取输出，使用@minem 的示例

data.table(START = vec1, END = vec1)[df1, .N, 
       on = .(START >= START, END < END), by = .EACHI]
#   START END N
#1:     1   4 2
#2:     8   9 1
#3:    11  30 0

【讨论】：

这似乎没有给出正确的结果...，如果 df1 中有多个相等的条目

【解决方案3】：

### example data:
# df1 <- data.table(START = c(1, 8, 11), END = c(4, 9, 30))
# vec1 <- c(3, 2, 8)

#
df1[, ind := .I] # add uniqe index to data.table
dt2 <- as.data.table(vec1, key = 'vec1') # convert to data.table
dt2[, vec2 := vec1] # dublicate column
setkey(df1) # sets keys // order data by all columns
# Fast overlap join:
ans1 = foverlaps(dt2, df1, by.x = c('vec1', 'vec2'), by.y = c('START', 'END'),
                 type = "within", nomatch = 0L)

counts <- ans1[, .N, keyby = ind] # count by ind
# merge to inital data
df1[, COUNT := counts[df1, on = .(ind), x.N]]
df1

setorder(df1, ind) # reorder by ind to get inital order
df1[, ind := NULL] # deletes ind colum
df1[is.na(COUNT), COUNT := 0L] # NAs is 0 count
df1
#    START END COUNT
# 1:     1   4     2
# 2:     8   9     1
# 3:    11  30     0

【讨论】：