如何在R中找到两个共同的列

Question

我有三个不同的数据集，名为 mus、dom 和 cas。它们具有相同的名称，包括 CRA、CHROM、POS、REF 和 ALT。我需要在每个数据集中根据 CHROM 找到相同的 REF 和 ALT 值。换句话说，我希望 REF 和 ALT 值在每个值中都相同。例如 REF: A 和 ALT: T 在所有数据集中都可以找到，它可能在不同的 CHROM 中，此外我需要保留其他列。我怎么能在 R 中做到这一点？请参阅下面的样本格式。每个名为“cas”、“dom”和“mus”的样本都有不同的 CRA 和相同的 CHROM，具有不同的 POS 和 REF 和 ALT。现在我想根据 CHROM 在这三个样本之间找到相同的 REF 和 ALT 值？

CRA CHROM   POS REF ALT
dom_76  chr1    3365296 T   A
dom_76  chr1    3540134 T   C
dom_76  chr1    3665288 A   G
dom_76  chr1    7110674 T   C
dom_76  chr1    8920460 A   G

谢谢。

Answer 1

我们可以用bind_rows将数据集绑定成一个单独的数据，同时创建一个id列（.id），然后按'REF'、'ALT'、'CHROM'、filter分组'grp' 的不同元素的数量为 3，即那些在所有三个数据集中具有共同值的元素

library(dplyr)
bind_rows(cas, dom, mus, .id = 'grp') %>%
         group_by(REF, ALT, CHROM) %>%
         filter(n_distinct(grp) == 3)

Answer 2

由于 CHROM 在任何地方都是相同的，因此将列保持在排序中是没有用的。 否则，如果我很好地理解了您的问题，那么您将要求对一对变量进行排序。这可以使用 data.table 快速完成，如下所示：

# Supposing the 3 samples are put together in the same CSV file
# with space separators

library(data.table)
DT <- fread("~/Documents/a.csv", sep=" ", header=TRUE)
setkey(DT, REF, ALT)
DT[.(REF, ALT), .(CRA, POS, REF, ALT)]

> DT[.(REF, ALT), .(CRA, POS, REF, ALT)]
      CRA     POS REF ALT
1: dom_76 3665288   A   G
2: dom_76 8920460   A   G
3: dom_76 3665288   A   G
4: dom_76 8920460   A   G
5: dom_76 3365296   T   A
6: dom_76 3540134   T   C
7: dom_76 7110674   T   C
8: dom_76 3540134   T   C
9: dom_76 7110674   T   C

如果您出于某种原因仍需要 CHROM 列，请将其保存在“按”分组中：

> DT[.(REF, ALT), .(CRA, POS, REF, ALT), by="CHROM"]

CHROM    CRA     POS REF ALT
1:  chr1 dom_76 3665288   A   G
2:  chr1 dom_76 8920460   A   G
3:  chr1 dom_76 3665288   A   G
4:  chr1 dom_76 8920460   A   G
5:  chr1 dom_76 3365296   T   A
6:  chr1 dom_76 3540134   T   C
7:  chr1 dom_76 7110674   T   C
8:  chr1 dom_76 3540134   T   C
9:  chr1 dom_76 7110674   T   C

但是您的问题有点模棱两可，因为“常见”可以解释为“平等”。我认为这不是您要求的，但为了完整起见，以防万一，下面是相应的排序（在发布的数据中为空）：

> DT[REF == ALT, .(CRA, POS, REF, ALT), by="CHROM"]
Empty data.table (0 rows and 4 cols): CRA,POS,REF,ALT