所以情况是这样的： 我基本上有一个数据框，其中包含大约 100,000 行数据。我对特定的数据列 POS 感兴趣，我想检查 POS 的值是否介于另一个数据框 Start 和 End 的两个值之间，并跟踪其中有多少实例。
例如，在我的第一个数据框中，我有类似
ID POS
A 20
B 533
C 600
在我的其他数据框中，我有类似的东西
START END
123 150
489 552
590 600
我想知道 POS 中有多少项目在任何 START-END 范围内。所以在这种情况下，有 2 个项目。另外，如果可能的话，我也可以获取在 Start 和 End 之间带有 POS 的 ID 吗？
如何在不使用嵌套 for 循环的情况下执行此操作？
【问题讨论】：
这是一个相当普遍的问题，可能发生在数据库的上下文中。这是使用sqldf的解决方案：
library(sqldf)
query <- "SELECT POS, ID FROM df1 INNER JOIN df2 "
query <- paste0(query, "ON df1.POS BETWEEN df2.START AND df2.END")
sqldf(query)
如果您的第二个数据框中的范围可能重叠，则上述查询可能会为给定的POS 值返回多个结果。在这种情况下，请将SELECT POS 替换为SELECT DISTINCT POS。
【讨论】：
ID 添加到选择列表中即可。
SELECT 列表中，例如START 或 END。如果这两个表的列名恰好相同，那么您必须更新我的查询以使用别名。做起来不难，但也许你不需要它。
我们可以对data.table使用非等连接
library(data.table)
setDT(df1)[df2, on = .(POS > START, POS <= END)][, sum(!is.na(ID))]
#[1] 2
【讨论】：
setDT(df1)[df2, on = .(POS > START, POS <= END)][!is.na(ID)]$ID#[1] "B" "C"
我们可以在base-R 中使用mapply 来实现同样的效果：
df1[mapply(function(x)any(x >= df2$START & x <= df2$END),df1$POS),]
# ID POS
#2 B 533
#3 C 600
数据
df1 <- read.table(text =
"ID POS
A 20
B 533
C 600", header = T)
df2 <- read.table(text =
"START END
123 150
489 552
590 600", header = TRUE)
【讨论】：
数据框：main
ID POS
A 20
B 533
C 600
数据框：ran
START END
123 150
489 552
590 600
一个简单的sapply 应该足以满足您的用例：
sapply(main$POS, function(x) { sum(x>=ran$START & x<=ran$END) })
将返回：
[1] 0 1 1
您可以将其绑定回 main 数据框中的新列：
main$Count <- sapply(main$POS, function(x) { sum(x>=ran$START & x<=ran$END) }))
ID POS count
1 A 20 0
2 B 533 1
3 C 600 1
这也适用于重叠范围。
【讨论】：