匹配第二个数据帧中的两个列标准的 R 数据帧的子集答案

【问题标题】：subset of R dataframe matching two column criteria in 2nd dataframe匹配第二个数据帧中的两个列标准的 R 数据帧的子集
【发布时间】：2018-11-12 02:07:56
【问题描述】：

我正在处理一个转录组学项目，我有一个数据框，其中包含“SampleIDs”、“hugo_name”和“Expression”列。由于每个样本的基因名称很多，DF 有数千行。我正在尝试使用一组 10 个管家基因进行 QC 步骤，其中我消除了所有“样本 ID”，其中少于 9/10 的管家基因在截止值以上表达。基本上，我想获取 DF$hugo_name 中与 10 个基因列表匹配的所有基因，并且对于每个基因名称，检查其表达值以确保它高于我的截止值列表。

我的数据框包含 10 个管家基因和较低的截止表达值：

    EHK_list <- c("C1orf43", "CHMP2A", "GPI", "PSMB2", "PSMB4", "RAB7A", "REEP5", "SNRPD3", "VCP", "VPS29")
    EHK_minimum <- data_frame("hugo_name" = EHK_list, "expression" = c(2.3697, 3.4964, 2.0620, 2.1240, 4.3081, 8.3988, 1.4969, -0.0066, 2.5436, 5.2886))
      show(EHK_minimum)
     <chr>          <dbl>
     1 C1orf43       2.37  
     2 CHMP2A        3.50  
     3 GPI           2.06  
     4 PSMB2         2.12  
     5 PSMB4         4.31  
     6 RAB7A         8.40  
     7 REEP5         1.50  
     8 SNRPD3       -0.0066
     9 VCP           2.54  
    10 VPS29         5.29

包含我所有数据的大型 DF 采用以下形式：

    Sample_ID      hugo_name     Expression     
    Sample_1       SNRPD3        6669.0
    Sample_1       ABCDEF        400.2
         ..
         ..
    Sample_2       RAB7A         1.75
    Sample_2       ZYXVU         9.4

我可以将我的 DF 子集到 EHK_list 上的基因中：

            QC_geneSubset <- DF[DF$hugo_name %in% EHK_list,]

              sample_ID     hugo_name     expression
              1: Sample1      RAB7A         1382.78
              2: Sample1      C1orf43       11.78
              3: Sample1      CHMP2A        75.5
                   .
                   .
             11: Sample2      RAB7A         33.3
             12: Sample2      C1orf43       12.1
             13: Sample2      CHMP2A        1500
                   .
                   .
             21: Sample3      RAB7A         66
             22: Sample3      C1orf43       1
             23: Sample3      CHMP2A        19
                   .
                   .

但我不知道如何只保留来自 DF 的行，其中 DF “hugo_name”（即基因名称）与 EHK_list 上的匹配，并且 DF 表达式值 >= EHK_minimum 数据帧的截止值.也就是说，我想匹配元组 (hugo_name, expression) 并确保样本的表达式值高于列表中我列出的 >=9/10 基因的截止值。有什么想法吗？

【问题讨论】：

使用dplyr 你可以做到filter(df, hugo_name %in% EHK_list) %>% mutate(flag = ifelse(expression> threshold, "greater", "smaller"))。这应该让你足够接近你想去的地方。您可能需要加入您的数据和阈值
你能提供一个小的dput你的真实数据或QC_geneSubset吗？

标签： r dataframe

【解决方案1】：

在这种情况下，使用data.table 的non-equi 连接可能是一个合适的选项，因为OP 愿意检查expression 大于EHK_minimum 中定义的cutoff 表达式的条件。

library(data.table)

setDT(EHK_minimum)
setDT(DF)

DF[EHK_minimum, on=.(hugo_name, expression >= expression), nomatch=0]

#    sample_ID hugo_name expression
# 1:   Sample1   C1orf43     2.3697
# 2:   Sample2   C1orf43     2.3697
# 3:   Sample3    CHMP2A     3.4964
# 4:   Sample1    CHMP2A     3.4964
# 5:   Sample2    CHMP2A     3.4964
# 6:   Sample2     RAB7A     8.3988
# 7:   Sample3     RAB7A     8.3988
# 8:   Sample1     RAB7A     8.3988

数据：根据 OP 提供的部分数据创建

EHK_list <- c("C1orf43", "CHMP2A", "GPI", "PSMB2", "PSMB4", 
           "RAB7A", "REEP5", "SNRPD3", "VCP", "VPS29")
EHK_minimum <- data_frame("hugo_name" = EHK_list, 
   "expression" = c(2.3697, 3.4964, 2.0620, 2.1240, 4.3081, 8.3988, 
                   1.4969, -0.0066, 2.5436, 5.2886))


DF <- read.table(text = 
"sample_ID     hugo_name     expression
1: Sample1      RAB7A         1382.78
2: Sample1      C1orf43       11.78
3: Sample1      CHMP2A        75.5
11: Sample2      RAB7A         33.3
12: Sample2      C1orf43       12.1
13: Sample2      CHMP2A        1500
21: Sample3      RAB7A         66
22: Sample3      C1orf43       1
23: Sample3      CHMP2A        19",
header = TRUE, stringsAsFactors = FALSE)

【讨论】：

【解决方案2】：

data.table 解决方案很棒。为此，有一个dplyr。请注意，我将关键 data.frame 中的变量名称更改为 threshold。

     EHK_list <- c("C1orf43", "CHMP2A",
                   "GPI", "PSMB2", "PSMB4", "RAB7A",
                   "REEP5", "SNRPD3", "VCP", "VPS29")

     EHK_minimum <- data_frame("hugo_name" = EHK_list,
                                  "threshold" = c(2.3697, 3.4964, 2.0620,
     2.1240, 4.3081, 8.3988,
     1.4969, -0.0066, 2.5436, 5.2886))

给定

    DF <- read.table(text = 
"sample_ID     hugo_name     expression
1: Sample1      RAB7A         1382.78
2: Sample1      C1orf43       11.78
3: Sample1      CHMP2A        75.5
11: Sample2      RAB7A         33.3
12: Sample2      C1orf43       12.1
13: Sample2      CHMP2A        1500
21: Sample3      RAB7A         66
22: Sample3      C1orf43       1
23: Sample3      CHMP2A        19",
header = TRUE, stringsAsFactors = FALSE)

我们加入并过滤

DF %>% left_join(EHK_minimum) %>% filter(expression >= threshold)
Joining, by = "hugo_name"
  sample_ID hugo_name expression threshold
1   Sample1     RAB7A    1382.78    8.3988
2   Sample1   C1orf43      11.78    2.3697
3   Sample1    CHMP2A      75.50    3.4964
4   Sample2     RAB7A      33.30    8.3988
5   Sample2   C1orf43      12.10    2.3697
6   Sample2    CHMP2A    1500.00    3.4964
7   Sample3     RAB7A      66.00    8.3988
8   Sample3    CHMP2A      19.00    3.4964

【讨论】：

好答案。几个小cmets。 OP 已将条件提到为expression value is >= the cutoff。您可以更改您的代码以匹配相同。另一点可能是您没有使用 OP 提供的数据，因为在 OP 提供的数据中，threshold 列被称为expression。这些更改将提高您的答案的可用性。谢谢。