根据一个列值是否在其他两个列值之间（范围），将新列添加到带有标签的数据框答案

【问题标题】：Add new column to dataframe with label based on if one column value is in between (range) of two other column values根据一个列值是否在其他两个列值之间（范围），将新列添加到带有标签的数据框
【发布时间】：2021-03-30 18:48:36
【问题描述】：

我有一个数据框（大约 300 行），其中一列称为“geneID”：

geneID   distance  pvalue
4        30        0.05
409      0         0.001
60       41        0.02
...

我有第二个数据框，它指示构成较大抗生素生物合成基因簇的基因范围（染色体中有大约 30 个基因簇）：

ClusterID           start   end
Chloramphenicol     100     130
NRPS                403     489
Terpene             5021    5109
...

如果geneID在该基因簇的“开始”和“停止”之间，我想要做的是向数据帧1添加另一列，标记为数据帧2的相应“clusterID”：

geneID   distance  pvalue  ClusterID
4        30        0.05    NA
409      0         0.001   NRPS
60       41        0.02    NA

我尝试在 mutate 函数中使用向量作为值：

ChIP_table %>%
  mutate(ClusterID = case_when((ID >= biosynthetic_clusters$start & ID <= biosynthetic_clusters$end) ~ biosynthetic_clusters$Cluster,
                               TRUE ~ "NA"))

这没有用。不知道从这里去哪里。我已经尝试构建一个 for 循环，但仍然无法找到一种方法来使用向量/列值作为排序/标签的条件。

任何帮助将不胜感激！

【问题讨论】：

this question 有用吗？

标签： r dataframe dplyr

【解决方案1】：

您可以使用cut 函数。假设您的数据框是df：

breaks <- c(100, 130, 403, 489, 5021, 5109)
labels <- c("Chloramphenicol", NA, "NRPS", NA, "Terpene")

df$ClusterID <- cut(df$geneID, breaks = breaks, labels = labels, include.lowest = TRUE)

中断是开始值和结束值。标签是每个可行范围的 ClusterID 名称。 NA 标签用于可行的范围差距。因此，对于落入 ClusterID 范围内的基因 ID，它们将被分配 ClusterID 名称，否则为 NA。所以一些前期的工作需要输入标签向量。（你可以编写一个函数来做到这一点。）但我认为它会起作用。

【讨论】：

【解决方案2】：

我们可以使用dplyr包中的case_when。

library(dplyr)

df1 %>% 
  mutate(clusterID = case_when(geneID > df2$start & geneID < df2$end ~ df2$ClusterID))

输出：

  geneID distance pvalue clusterID
   <dbl>    <dbl>  <dbl> <chr>    
1      4       30  0.05  NA       
2    409        0  0.001 NRPS     
3     60       41  0.02  NA

数据：

df1 <- tribble(
~geneID,   ~distance,  ~pvalue,
4, 30, 0.05,
409, 0, 0.001, 
60, 41, 0.02)

df2 <- tribble(
~ClusterID, ~start, ~end,
"Chloramphenicol", 100, 130, 
"NRPS", 403, 489, 
"Terpene", 5021, 5109)

【讨论】：