根据一对一匹配规则比较两个列值合并两个数据框列表

Question

我有以下两个列表（实际列表会大得多）：

 > ratList
     ratGene      ratReplicate    ratAlignment  ratRNAtype
10    Sdhb   Thymus_M_GSM1328752            2        reg
11    Fasn   Thymus_M_GSM1328752            2        reg
12   Dok10   Thymus_M_GSM1328752            2        rev
13   Hspa5   Thymus_M_GSM1328752            2        reg
14   Cmpk1   Thymus_M_GSM1328752            3        reg

和

> humanList
   humanGene                            humanReplicate humanAlignment humanRNAtype
61    DOCK10 Fetal_Brain_408_AGTCAA_L004_R1_report.txt              6          reg
62     NUDT5 Fetal_Brain_408_AGTCAA_L004_R1_report.txt              5          dup
63      GRM8 Fetal_Brain_408_AGTCAA_L004_R1_report.txt              5          rev
64      PHC3 Fetal_Brain_408_AGTCAA_L004_R1_report.txt              7          reg
65      EI24 Fetal_Brain_408_AGTCAA_L004_R1_report.txt             13          rev

现在我想合并这两个列表并制作表单的数据框/列表df

humanGene humanAlignment humanRNAtype ratGene ratAlignment ratRNAtype
DOCK10        6            reg         Dok10      2          reg

合并过程将在另一个文本文件geneData.txt的帮助下完成：

AAED1,Aaed1
AAGAB,Aagab
AAK1,Aak1
AAMDC,Aamdc
AAMP,Aamp
AANAT,Aanat
AAR2,AAR2

这里每行第一个词对应人类基因，第二个词对应大鼠基因（例如：AAED1是人类基因，对应的大鼠基因是Aaed1）。我需要以某种方式合并ratList和humanList，因此在合并列表的每一行中，我都有文本文件建议的相应的大鼠和人类基因。在humanList 中，如果存在ratList 中不存在的基因的行，我将在制作合并列表时简单地忽略该基因。对于人类列表中不存在的ratList中的基因也是如此。

谁能帮我做这件事？我是 R 新手，在 R 中数据处理对我来说仍然是个谜。

提前致谢。

Answer 1

你可以试试：

假设geneData.txt 可以读入一个两列data.frame，first column 用于human genes，第二个用于rat genes

geneData <- structure(list(human = c("DOCK10", "NUDT5", "SDHB1", "AAED1", 
"AAGAB"), rat = c("Dok10", "Nud5", "Sdhb", "Aaed1", "Aagab")), .Names = c("human", 
"rat"), class = "data.frame", row.names = c(NA, -5L))



  res <-  merge(merge(geneData, humanlist, by.x="human", by.y="humanGene"), ratlist, by.x="rat", by.y="ratGene")

res[,c(2,4,5,1,7,8)]
 #    human humanAlignment humanRNAtype   rat ratAlignment ratRNAtype
 # 1 DOCK10              6          reg Dok10            2        rev

在example 中为geneData：

• NUDT5 在humanlist 中找到，但Nud5 不在ratlist 中
• Sdhb 在 ratlist 中找到，但 SDHB1 不在 humanlist 中
• 两个列表中都没有找到一些基因名称
• 在这里，两个列表中都只有 Dok10 和 DOCK10

Answer 2

假设它们是数据框而不是列表

ratList$humanGene <- toupper(ratList$ratGene)
New.df <- merge(ratList,humanList,by="humanGene")

虽然这组数据中没有任何相同的基因，所以这会将 New.df 作为一个空数据框。 查找 ?merge 以获取其他选项。

如果它们是每个包含 1 个数据框的列表

ratList[[1]]$humanGene <- toupper(ratList[[1]]$ratGene)
New.df <- merge(ratList[[1]],humanList[[1]],by="humanGene")

Answer 3

如果你有两个大的data.frames 要合并，最好使用dplyr 包中的inner_join() 函数，它比merge() 快​​得多。

首先是数据：

ratList <- read.table(text="
     ratGene      ratReplicate    ratAlignment  ratRNAtype
10    Sdhb   Thymus_M_GSM1328752            2        reg
11    Fasn   Thymus_M_GSM1328752            2        reg
12   Dok10   Thymus_M_GSM1328752            2        rev
13   Hspa5   Thymus_M_GSM1328752            2        reg
14   Cmpk1   Thymus_M_GSM1328752            3        reg
", stringsAsFactors=F)

humanList <- read.table(text="
   humanGene                            humanReplicate humanAlignment humanRNAtype
61    DOCK10 Fetal_Brain_408_AGTCAA_L004_R1_report.txt              6          reg
62     NUDT5 Fetal_Brain_408_AGTCAA_L004_R1_report.txt              5          dup
63      GRM8 Fetal_Brain_408_AGTCAA_L004_R1_report.txt              5          rev
64      PHC3 Fetal_Brain_408_AGTCAA_L004_R1_report.txt              7          reg
65      EI24 Fetal_Brain_408_AGTCAA_L004_R1_report.txt             13          rev

", stringsAsFactors=F)

# using the geneData akrun provided
geneData <- structure(list(
  human = c("DOCK10", "NUDT5", "SDHB1", "AAED1", "AAGAB"), 
  rat = c("Dok10", "Nud5", "Sdhb", "Aaed1", "Aagab")), 
  .Names = c("humanGene", "ratGene"), 
  class = "data.frame", 
  row.names = c(NA, -5L))

在实践中，你可以在geneData中使用，

geneData <- read.csv("geneData.csv", header=F)
names(geneData) <- ("humanGene", "ratGene")

以下是一些快速基准测试：

合并

library(microbenchmark)

microbenchmark(
  merge(
    merge(geneData, humanList, by="humanGene"),
    ratList, by="ratGene"
  ), unit="us"
)

输出：

Unit: microseconds
                                                                              expr      min       lq   median       uq      max
 merge(merge(geneData, humanList, by = "humanGene"), ratList,      by = "ratGene") 1517.795 1565.213 1584.099 1645.475 6441.493
 neval
   100

dplyr

microbenchmark(
  inner_join(
    inner_join(humanList, geneData, by="humanGene"),
    ratList, by="ratGene"
  )
)

输出：

Unit: microseconds
                                                                                        expr     min      lq   median     uq
 inner_join(inner_join(humanList, geneData, by = "humanGene"),      ratList, by = "ratGene") 251.666 256.388 258.4405 261.93
     max neval
 488.142   100

您可以看到dplyr:::inner_join() 比merge() 快大约6x~7x，如果您必须重复加入大表，则需要考虑这一点。