如何识别数据集之间的匹配字符串？答案

【问题标题】：How to identify matching strings between datasets?如何识别数据集之间的匹配字符串？
【发布时间】：2020-05-21 10:45:25
【问题描述】：

我一直在尝试使用其他类似问题的答案，但没有运气。我有 2 个数据集：

#df1:
Gene
ACE
BRCA
HER2

#df2:
Gene       interactors
GP5       ACE, NOS, C456
TP53      NOS, BRCA, NOTCH4

我希望在我的第一个数据集中添加一列，以识别在我的第二个数据集中显示为相互作用者的基因。

输出：

#df1:
Gene   Matches
ACE      TRUE
BRCA     TRUE
HER2     FALSE

目前我正在尝试df1$Matches <- mapply(grepl, df1$Gene, df2$interactors) 这会运行，但是当我增加 df1 中的基因数量时，匹配的数量会下降，这没有意义，因为我没有删除最初运行的任何基因，这让我觉得这不像我预期的那样工作。

我也试过了：

library(stringr)
df1 %>% 
+     rowwise() %>% 
+     mutate(exists_in_title = str_detect(Gene, df2$interactors))
Error: Column `exists_in_title` must be length 1 (the group size), not 3654
In addition: There were 50 or more warnings (use warnings() to see the first 50)

我也尝试了这个的 dplyr 版本，但同样的错误。

还有什么其他方法可以解决这个问题？任何帮助将不胜感激。

输入数据：

dput(df1)
structure(list(Gene = c("ACE", "BRCA", "HER2")), row.names = c(NA, 
-3L), class = c("data.table", "data.frame"))

dput(df2)
structure(list(Gene = c("GP5", "TP53"), interactors = c("ACE, NOS, C456", 
"NOS, BRCA, NOTCH4")), row.names = c(NA, -2L), class = c("data.table", 
"data.frame"))

【问题讨论】：

标签： r dplyr stringr

【解决方案1】：

你可以使用strsplit拆分

library(dplyr)
df1$Matches <-  df1$Gene %in% trimws(unlist(strsplit(df2$interactors, ",")))

> df1
  Gene Matches
1  ACE    TRUE
2 BRCA    TRUE
3 HER2   FALSE

【讨论】：

【解决方案2】：

这是一个结合tidyr和Base R的答案。首先，我们读取数据：

text1 <- "Gene
ACE
BRCA
HER2"
text2 <- "Gene|interactors
GP5|ACE, NOS, C456
TP53|NOS, BRCA, NOTCH4"

df1 <- read.csv(text = text1,header = TRUE,stringsAsFactors = FALSE)
df2 <- read.csv(text = text2,header = TRUE,stringsAsFactors = FALSE,sep = "|")

接下来，我们分离df2 中的交互，并使用结果向量在df1 中创建逻辑变量。

df2 <- separate_rows(df2,interactors)
df1$matches <- ifelse(df1$Gene %in% df2$interactors,TRUE,FALSE)
df1

...和输出：

> df1
  Gene     matches
1  ACE        TRUE
2 BRCA        TRUE
3 HER2       FALSE
>

【讨论】：

【解决方案3】：

有基础R

genes <- df1$Gene
res <- genes %in% trimws(unlist(strsplit(df2$interactors, ",")))

结果

> res
[1]  TRUE  TRUE FALSE

可以添加到 df1 上

df1$Matches <- res

【讨论】：

这不是“使用 Base-R”