在R中没有for循环的情况下获取重叠数据帧值的计数

Question

我有两个数据框，一个名为 segments 包含数字“开始”和“停止”值

segments <- as.data.frame(
  cbind(
    rep(seq(1, 22, 1), 2),
    seq(500000, 3000000, 57000),
    seq(1000000, 3500000, 57000)
  )
)
colnames(segments) <- c("chr", "segment.start", "segment.end")

还有一个叫做positions，它包含数值。

positions <- as.data.frame(cbind(1, seq(750000, 2000000, 56000)))
colnames(positions) <- c("chr", "pos")

我有兴趣计算segments 中“开始”和“停止”值之间的区域与positions 中的每个值重叠的行数，并将这些计数添加到positions 的新列中.

positions$count <- 0

我可以使用以下 for 循环获得这些计数，但在大型数据集上这非常慢。

for (n in 1:nrow(segments)) {
  segment <- segments[n, ]
  to.update <- which(
    positions$pos >= segment$segment.start &
      positions$pos <= segment$segment.end & 
      positions$chr == segment$chr
    )
  positions[to.update, "count"] <- positions[to.update, "count"] + 1
}

有谁知道如何在没有 for 循环的情况下获得这些计数？

Answer 1

不用验证，我觉得用data.table就可以搞定。我确信它可以使用其他工具（base 或 tidyverse）来完成，但这很快并且使用了我最近经常使用的工具：foverlaps。

library(data.table)
setDT(segments)
setDT(positions)
positions[, pos2 := pos ]

setkey(segments, segment.start, segment.end)
setkey(positions, pos, pos2)

作为解释，foverlaps 要求两个帧都有两个字段，功能的前提是一个帧范围内的重叠与另一帧的重叠。尽管有人可能会争辩说，在此重叠检查中使用单列选项可能很有用，但添加第二列（在本例中为 pos2）是微不足道的，并且无需更改 data.table 代码即可启用完全相同的功能。

编辑：更新为包含“by chr”逻辑。

编辑 2：反转，导致 positions 作为主要：

foverlaps(positions, segments) [
    , .(count = sum(!is.na(segment.start))), by = .(chr, pos, pos2) ][
    , pos2 := NULL ]
#     chr     pos count
#  1:   1  750000     1
#  2:   1  806000     1
#  3:   1  862000     1
#  4:   1  918000     1
#  5:   1  974000     1
#  6:   1 1030000     0
#  7:   1 1086000     0
#  8:   1 1142000     0
#  9:   1 1198000     0
# 10:   1 1254000     0
# 11:   1 1310000     0
# 12:   1 1366000     0
# 13:   1 1422000     0
# 14:   1 1478000     0
# 15:   1 1534000     0
# 16:   1 1590000     0
# 17:   1 1646000     0
# 18:   1 1702000     0
# 19:   1 1758000     1
# 20:   1 1814000     1
# 21:   1 1870000     1
# 22:   1 1926000     1
# 23:   1 1982000     1
#     chr     pos count