当 A 列值匹配时，将 B 列 NA 替换为 B 列值答案

【问题标题】：When column A values match, replace column B NAs with column B value当 A 列值匹配时，将 B 列 NA 替换为 B 列值
【发布时间】：2018-09-18 15:13:03
【问题描述】：

我正在尝试基于两个变量（Entrez.ID 和 Gene.ID）合并两个数据框。一个数据框只有这些变量，例如

Entrez.ID  Gene.ID
10007      GNPDA1
10016      ALG2
10044      SH2D3C

和一个具有三个变量的数据框，例如

Entrez.ID    Gene.ID   Ensembl.ID
10007        GPI       ENSG00000113552
10016        PDCD6     ENSG00000249915
10044        CHAT      ENSG00000095370

目前当我使用以下方式合并文件时：

df<-merge(df1,df2,by=c("Entrez.ID","Gene.ID"),all=TRUE)

我得到一个看起来像这样的数据框：

Entrez.ID   Gene.ID   Ensembl.ID
10007       GNPDA1    <NA>
10007       GPI       ENSG00000113552
10016       ALG2      <NA>
10016       PDCD6     ENSG00000249915
10044       SH2D3C    <NA>
10044       CHAT      ENSG00000095370

但我想要创建的是一个看起来像这样的数据框：

Entrez.ID   Gene.ID   Ensembl.ID
10007       GNPDA1    ENSG00000113552
10007       GPI       ENSG00000113552
10016       ALG2      ENSG00000249915
10016       PDCD6     ENSG00000249915
10044       SH2D3C    ENSG00000095370
10044       CHAT      ENSG00000095370

我如何告诉 R Entrez.ID 变量匹配的位置，我希望 Ensembl.ID 匹配（即在可用的情况下用 Ensembl.ID 替换 NA）？

【问题讨论】：

标签： r merge pattern-matching na

【解决方案1】：

我们可以从zoo使用na.locf

library(zoo)
df$Ensembl.ID <- with(df, ave(Ensembl.ID, Entrez.ID, FUN = function(x)
        na.locf(na.locf(x, na.rm = FALSE), fromLast = TRUE)))
df$Ensembl.ID
#[1] "ENSG00000113552" "ENSG00000113552" "ENSG00000249915" 
#[4] "ENSG00000249915" "ENSG00000095370"
#[6] "ENSG00000095370"

或者使用来自dplyr的full_join

library(tidyverse)
full_join(df1, df2, by = c("Entrez.ID","Gene.ID")) %>%
    group_by(Entrez.ID) %>%
    fill(Ensembl.ID, .direction = 'up') %>%
    fill(Ensembl.ID, .direction = 'down')
# A tibble: 6 x 3
# Groups:   Entrez.ID [3]
#  Entrez.ID Gene.ID Ensembl.ID     
#      <int> <chr>   <chr>          
#1     10007 GNPDA1  ENSG00000113552
#2     10007 GPI     ENSG00000113552
#3     10016 ALG2    ENSG00000249915
#4     10016 PDCD6   ENSG00000249915
#5     10044 SH2D3C  ENSG00000095370
#6     10044 CHAT    ENSG00000095370

数据

df <- structure(list(Entrez.ID = c(10007L, 10007L, 10016L, 10016L, 
10044L, 10044L), Gene.ID = c("GNPDA1", "GPI", "ALG2", "PDCD6", 
"SH2D3C", "CHAT"), Ensembl.ID = c(NA, "ENSG00000113552", NA, 
"ENSG00000249915", NA, "ENSG00000095370")), class = "data.frame", 
 row.names = c(NA, -6L))

【讨论】：

我尝试了来自 dplyr 解决方案的 full_join，它成功了 - 谢谢！

【解决方案2】：

如果df1的Gene.ID和df2的Gene.ID是唯一的（df1中的ID不是df2中的ID），可以简单的合并

df <- merge(df1,df2,by=c("Entrez.ID"),all.x=TRUE)

然后使用 rbind()

df <- rbind(df, df2)

PS.我建议将来使用 data.table 进行数据整理。它非常直观且速度更快。

【讨论】：