向量和因子上相交的不同行为

Question

我尝试使用 Reduce(intersect,...) 来比较多个 Entrez ID 向量（整数向量）。向量是使用“DISTINCT”从数据库中选择的，因此单个向量不包含重复项。

length(factor(c(l1$entrez)))

给出与

相同的长度（以及相同的 ID，但没有长度函数）

length(c(l1$entrez))

当我用

比较多个向量时

length(Reduce(intersect,list(c(l1$entrez),c(l2$entrez),c(l3$entrez),c(l4$entrez))))

或

length(Reduce(intersect,list(c(factor(l1$entrez)),c(factor(l2$entrez)),c(factor(l3$entrez)),c(factor(l4$entrez)))))

结果不一样。我知道 factor!=originalVector 但我不明白为什么结果会不同，尽管初始因子/向量的长度和级别是相同的。

有人可以解释 intersect 函数对向量和因子的不同行为吗？是不是两个因子列表的交集又是因子列表，然后重复处理不同？

编辑 - 示例：

> head(l1)
  entrez
1      1
2 503538
3  29974
4  87769
5      2
6 144568

> head(l2)
 entrez
1  1743
2  1188
3  8915
4  7412
5 51082
6  5538

这些列表包含大约 500 到 20K 个 Entrez ID。所以向量包含纯整数，并且应该给出所有测试向量之间的交集。

> length(Reduce(intersect,list(c(factor(l1$entrez)),c(factor(l2$entrez)),c(factor(l3$entrez)),c(factor(l4$entrez)))))
[1] 514
> length(Reduce(intersect,list(c(l1$entrez),c(l2$entrez),c(l3$entrez),c(l4$entrez))))
[1] 338
> length(Reduce(intersect,list(l1$entrez,l2$entrez,l3$entrez,l4$entrez)))
[1] 494

我不得不深表歉意。 intersect 函数的不同行为可能是由数据问题引起的。我在数据集中找到了包含逗号分隔的 Entrez ID（22038、23207、...）的字段。我应该先更详细地查看数据。感谢您的回答和您的时间。尽管我还不了解不同的结果，但我确信这是导致不同行为的原因。有人可以确认吗？

Answer 1

正如 Roman 所说，举个例子会很有帮助。

然而，一种可能性是您的变量l1$entrez、l2$entrez 等具有相同的级别但顺序不同。

intersect 通过as.vector 将其参数转换为字符变量。这通常是正确的做法，因为这意味着不同的级别顺序不会对结果产生任何影响。

将factor(l1$entrez) 作为参数传递给intersect 也消除了不同级别顺序的影响，因为它有效地创建了一个新的因子，级别顺序设置为默认值。但是，如果您通过 c(l1$entrez)，您会从变量中剥离因子属性，剩下的就是取决于级别排序的原始整数代码。

例子：

a <- factor(letters[1:3], levels=letters)
b <- factor(letters[1:3], levels=rev(letters)

# returns 1 2 3
intersect(c(factor(a)), c(factor(b)))

# returns integer(0)
intersect(c(a), c(b))

我看不出你应该在这里使用c() 的任何理由。让 R 自己处理因素（尽管公平地说，还有其他场景你确实想介入）。