如何按特定范围和有条件地对行进行分组？ [关闭]

Question

我有一个基因数据集，我想在其中对基因组中物理上靠近的基因变异/行进行分组。我想对每条染色体与基因组中某些点 500 +/- 距离内的基因进行分组。

我的 'spots' 数据集是变体需要在 500 +/- 范围内的位置，并且看起来像：

     chrom           min          max      low       high
       1             1000         1200     500       1700
       1             20000        20100    19500     20600
       5             900          1000     400       1500

我的low 和high 列是我想查看下一个数据集中是否有任何行落入的范围，同时还考虑到染色体也必须匹配。

我的其他数据集有一个 position 值，我正在查看它是否符合上述任何范围并匹配 chrom：

Gene   chrom position 
Gene1   1    1200          
Gene2   1    10000        
Gene3   5    500     
Gene4   1    560
Gene5   1    20100      

我尝试使用 group_by() 和 between() 来设置范围，但我正在努力考虑需要在之前的数据集之间匹配染色体 (chrom) 然后搜索范围。

输出如下：

Gene   chrom position   Group 
Gene1   1    1200          1  #position is in one of the ranges so is in a group    
Gene2   1    10000        NA
Gene3   5    500           2  #position is in one of the ranges so is in a group
Gene4   5    560           2  #position is in the same range as above so joins that group
Gene5   1    20100         3  #position matches a chrom and range and so gets a group corresponding to that particular chrom and range

Gene3 和 Gene4 不在第 1 组，因为它们位于不同的chrom。

所以我正在创建一个Group 列，该列为同一染色体上同一范围内的所有行创建一个共享编号，或者如果它们的position 在第一个数据集中的任何范围内都不匹配，则为NA。理想情况下，我正在寻找 dplyr 解决方案，因为这是我通常使用的解决方案，但我的真实数据也非常大，因此任何有帮助的指导将不胜感激。

输入数据：

#df1
structure(list(chrom = c(1L, 1L, 5L), 
    min = c(1000L, 20000L, 900L), max = c(1200L, 20100L, 1000L
    ), low = c(500L, 19500L, 400L), high = c(1700L, 20600L, 1500L
    )), row.names = c(NA, -3L), class = c("data.table", "data.frame"))

#df2

structure(list(Gene = c("Gene1", "Gene2", "Gene3", "Gene4", "Gene5"
), chrom = c(1L, 1L, 5L, 1L, 1L), position = c(1200L, 10000L, 
500L, 560L, 20100L)), row.names = c(NA, -5L), class = c("data.table", 
"data.frame"))

Answer 1

如果可以的话，您可以在多个内核上并行运行计算...虽然我不是该主题的专家，但无论如何下面的示例应该可以尝试（主要思想是搜索一个匹配的每次迭代/运行的范围并将正匹配绑定到列表）

library(dplyr)
library(plyr)
library(parallel)

# start parallel backend with 4 cores (or how many threads you have)
cl <- parallel::makeCluster(mc <- getOption("cl.cores", 4))
# export the data to the 
parallel::clusterExport(cl=cl, varlist=c("df1", "df2"))
# export packages
parallel::clusterEvalQ(cl, {library(dplyr)})
# set the lenght to one variable (could pass in the below function also)
l <- length(df1)
# run function on cluster
res <-parallel::parLapply(cl, 1:l, function(i){
  # select 1 range to match
  dfi <- df1[i, ]
  # full join all df2 with the only one range
  dfr <- dplyr::full_join(df2, dfi) %>% 
    # Check if values are in the range and give corresponding gene and chromosome
    dplyr::mutate(GENE_COR = ifelse(position >= low & position <= high, Gene, NA),
                  CHROM_COR = ifelse(position >= low & position <= high, chrom, NA)) %>% 
    # filter ever non match
    dplyr::filter(!is.na(GENE_COR))
  # return the info to puild list in parallel
  return(dfr)
}) 
# reduce result list build in parallel of only positive matches to a tibble
plyr::ldply(res, tibble)

  chrom  min  max low high  Gene position group GENE_COR CHROM_COR
1     1 1000 1200 500 1700 Gene1     1200     1    Gene1         1
2     5  900 1000 400 1500 Gene3      500     2    Gene3         5
3     5  900 1000 400 1500 Gene4      560     2    Gene4         5

虽然并行化并不总是更好 - dplyr 解决方案在函数内部 - 只需使用整个 df2 而不是 dfi

================================================ ====================

新答案：

# Build a group identifier
df1 <- df1 %>% dplyr::group_by(chrom) %>% dplyr::mutate(GROUP = dplyr::row_number(), GROUP2 = paste0(chrom, "_", dplyr::row_number())) %>% dplyr::ungroup()


df2 %>% 
  dplyr::full_join(df1) %>% 
  dplyr::mutate(CHROM_COR = ifelse(position >= low & position <= high, chrom, NA )) %>% 
  dplyr::filter(!is.na(CHROM_COR))

    Gene chrom position   min   max   low  high GROUP GROUP2 CHROM_COR
1 Gene1     1     1200  1000  1200   500  1700     1    1_1         1
2 Gene3     5      500   900  1000   400  1500     1    5_1         5
3 Gene4     1      560  1000  1200   500  1700     1    1_1         1
4 Gene5     1    20100 20000 20100 19500 20600     2    1_2         1