根据第一个的列值计算第二个数据表中的行而不合并

Question

我承认问题的标题有点神秘，但请耐心等待。我有两张数据表，一张很小，一张很大，其中包含无用的信息。

第一个数据集（dt1）的格式如下：

      CG     MG1     MG2
1:   49693 914569 4417756
2:   50422  22514   31343
3:   90543  90544 4531361
4:  142864 143471  143806
5:  386093   2149 4149104
6: 2674708  23921   24327

所以它只包含数字，其中一些可以在第二个数据表中找到。第二个数据表 (dt2) 包含许多字段，但我需要的是 ID。

      ID
1:   49693
2:   49693
3:   49693
4:   49693
5:   49693
6: 2674708
7: 2679818
8: 2680618
9:   49693
10: 2695042

我要做的是在 dt1 中再添加 3 列，每列指定 dt2 中是否有超过 5 行 ID 分别等于 CG1、MG1、MG2。我的最终结果是这样的：

     CG     MG1     MG2    CG_OK MG1_OK MG2_OK
1:   49693 914569 4417756     1      0      0
2:   50422  22514   31343     0      0      0
3:   90543  90544 4531361     0      0      0
4:  142864 143471  143806     0      0      0
5:  386093   2149 4149104     0      0      0
6: 2674708  23921   24327     0      0      0

CG_OK 中有一个 1，因为对于 CG 49693，我们可以在 dt2 中找到 6 行具有相同 ID。

实现我的结果的方法：子集 dt2 仅包含可以在 CG、MG1 和 MG2 中找到的值，然后计算每个行的行数，然后以某种方式合并回来。

我的问题是，有没有更好的（或者在代码方面更短）的方法？类似的东西（我知道不工作）：

dt1[, CG_OK := ifelse(nrow(dt2[ID == CG]) > 5, 1, 0)]

Answer 1

与：

dt1[, paste0(names(dt1),'_OK') := lapply(.SD, function(x) as.integer(x %in% unique(dt2$ID))), .SDcols = 1:3][]

你得到：

        CG    MG1     MG2 CG_OK MG1_OK MG2_OK
1:   49693 914569 4417756     1      0      0
2:   50422  22514   31343     0      0      0
3:   90543  90544 4531361     0      0      0
4:  142864 143471  143806     0      0      0
5:  386093   2149 4149104     0      0      0
6: 2674708  23921   24327     1      0      0

如果不需要转换成整数：

dt1[, paste0(names(dt1),'_OK') := lapply(.SD, `%in%`, unique(dt2$ID)), .SDcols = 1:3]

或者更具可读性：

cols <- names(dt1)
dt1[, paste0(cols,'_OK') := lapply(.SD, `%in%`, unique(dt2$ID)), .SDcols = cols]

因为要检查所有列，所以不一定需要指定.SDcols 参数。所以，最短的版本是：

dt1[, paste0(cols,'_OK') := lapply(.SD, `%in%`, unique(dt2$ID))]

Answer 2

这是对@Procrastinus 答案的修改，用于检查 df2 中是否有超过 5 个 ID：

dt1[, paste0(names(dt1),"_OK") :=
      lapply(.SD, function(i) as.integer(i %in% dt2[, .N, by=ID][N > 5,]$ID))]

dt1
        CG    MG1     MG2 CG_OK MG1_OK MG2_OK
1:   49693 914569 4417756     1      0      0
2:   50422  22514   31343     0      0      0
3:   90543  90544 4531361     0      0      0
4:  142864 143471  143806     0      0      0
5:  386093   2149 4149104     0      0      0
6: 2674708  23921   24327     0      0      0

Answer 3

如果您喜欢更长的解决方案，可以将您的表与频率表合并：

mrgDta <- sapply(dta1, function(x) {
    x <- merge(x = as.data.frame(x), as.data.frame(table(dta2)),
               all.x = TRUE,
               all.y = FALSE,
               by.x = 1,
               by.y = 1)[,2]
})

然后清理它：

mrgDta[is.na(mrgDta)] <- 0
mrgDta[mrgDta > 5] <- 1
colnames(mrgDta) <- paste(names(dta1), "OK", sep = "_")

结果：

    >> head(mrgDta)
     CG_OK MG1_OK MG2_OK
[1,]     1      0      0
[2,]     0      0      0
[3,]     0      0      0
[4,]     0      0      0
[5,]     0      0      0
[6,]     1      0      0

旁注：

merge 解决方案很灵活，例如，您可以更改计数以反映百分比：as.data.frame(prop.table(table(dta2)))。

---

数据

# Copied from the original question, Mac OS
dta1 <- read.delim(pipe("pbpaste"), sep = "")
dta2 <- read.delim(pipe("pbpaste"), sep = "")