比较 R 中的两个数据集

Question

我在这里和谷歌搜索了几个小时，但找不到解决我的问题的方法。

我有两个包含基因的数据集。一个数据集是我的数据集（快照），我需要查看这些基因是否在第二个更大的数据集（目录）中。我想要 snap（代理）中的第二列和目录中的第 21 列。这就是我的数据集的样子；

> head(snap)
        SNP     Proxy Distance RSquared DPrime
1 rs4246511 rs7540233     4541    0.874      1
2 rs4246511 rs4970634    15768    0.874      1
3 rs4246511 rs4532801    18960    0.874      1
4 rs4246511 rs9438982    22242    0.874      1
5 rs4246511 rs9438979    25034    0.874      1
6 rs4246511 rs4414011    25868    0.874      1 

head(catalog)
        SNPS MERGED SNP_ID_CURRENT    CONTEXT INTERGENIC
1  rs7079041      0        7079041     intron          0
2  rs7244261      0        7244261 intergenic          1
3 rs10448044      0       10448044 intergenic          1
4  rs2610025      0        2610025 intergenic          1
5  rs1472147      0        1472147     intron          0
6  rs2648708      0        2648708     intron          0

*这是数据集的一小部分

为了让它更复杂，我还希望能够从两个数据集中提取整行数据。

对于我的问题的第一部分，我尝试过使用比较（我从另一个类似的问题中找到的）。我决定提取我需要的列来简化事情（proxy 是我的 snap 列，catalogsnps 是 catalog 中的列）；

    comparison <- compare(proxy, catalogsnps, allowAll=TRUE)
comparison$tM

difference <- data.frame(lapply(2:ncol(proxy),function(i)setdiff(cacheGenericsMetaData[,i],comparison$tM[,i])))
colnames(difference) <- colnames(proxy)
write.table(difference, file="difference.csv", sep=";", dec=".")

但是，使用这种语法，我的输出只是我所有来自 snap 的 SNP 的列表。

输出

1054  6267
1055  6273
1056  6297
1057  6297
1058  6314
1059  6331
1060  6340
1061  6345
1062  6346
1063  6350
1064  6364
1065  6412
1066  6417
1067  6417
1068  6430

由于这很难阅读，我添加了获取excel文件的行，如下所示；

x   
1   rs7079041
2   rs7244261
3   rs10448044
4   rs2610025
5   rs1472147
6   rs2648708
7   rs11891
8   rs1801725
9   rs6852678
10  rs3135758
11  rs6838240
12  rs6838240
13  rs603894
14  rs3764796
15  rs3764796
16  rs2073214
17  rs4971100
18  rs4971100
19  rs11718502
20  rs10888073
21  rs7032317

我还在这里找到了另一种可能的解决方案，但我再次只得到了我的 SNP 列表。

rows.diff <- function(catalog, proxy)
{
  catalogsnps.vec <- apply(catalogsnps, 1, paste, collapse="")
  proxy.vec <- apply(proxy, 1, paste, collaspse= "")
  rows.diff <- catalogsnps[!catalogsnps.vec %in% proxy.vec,]
  return(rows.diff)
}
write.table(rows.diff(catalogsnps, proxy), file="rowdiff.csv", sep=";", dec=",")

对于我的问题的第二部分，我完全不知道从哪里开始

非常感谢您的帮助

克莱尔

Answer 1

为什么不只是：

new.data <- merge(snap, catalog, by.x='proxy', by.y='catalogsnps')

这应该会为您提供一个新数据框，其行仅是 proxy 和 catalogsnps 匹配的行，其列包含原始数据框的所有列。