如何在数据框之间获取一列相同且另一列相似的行？答案

【问题标题】：How to get the rows that one column is same and another column is similar between dataframe?如何在数据框之间获取一列相同且另一列相似的行？
【发布时间】：2018-06-11 14:47:22
【问题描述】：

我有很多大型数据框。我想让第一列相同，第二列的差异在两个数据帧之间小于 5000。如：

>a
chr  pos
chr2 10000
chr2 20000
chr2 45000
chr2 60000
chr2 80000
chr2 100000

>b
chr  pos
chr2 10000
chr2 30000
chr2 40000
chr2 55000
chr2 80000

我的预期结果：

>c
chr  pos
chr2 10000
chr2 45000
chr2 60000
chr2 80000

我试过了：

c<-data.frame(chr=0, pos=0)
for (i in 1:nrow(b)) {
    c1<-a[(a$chr %in% b[i, 1]) & abs(a$pos-b[i, 2])<=5000, ]
    c<-rbind(c, c1)
  }
c<-c[-1, ]

但它太慢而且效率太低。我希望能有更好的方法。提前感谢！

【问题讨论】：

标签： r

【解决方案1】：

library(data.table)

创建a 和b

a <- fread("
chr  pos
chr2 10000
chr2 20000
chr2 45000
chr2 60000
chr2 80000
chr2 100000
", data.table = F)

b <- fread("
chr  pos
chr2 10000
chr2 30000
chr2 40000
chr2 55000
chr2 80000
", data.table = F)

setDT(a)
setDT(b)

@Jaap 方法，不需要额外的列

a[pos %inrange% b[, .(low = pos - 5000, high = pos + 5000)] & match(chr, b$chr)]
#     chr   pos
# 1: chr2 10000
# 2: chr2 45000
# 3: chr2 60000
# 4: chr2 80000

Join 方法，需要添加额外的列（相同的输出）

添加考虑pos“相似”的界限

a[, `:=`(low = pos - 5000, high = pos + 5000)]

根据这些界限将b 与a 连接起来。

b[a, .(chr, pos), on = .(pos >= low, pos <= high, chr = chr), nomatch = 0]

SQL 方法，不需要额外的列（相同的输出）

library(sqldf)

sqldf("
select  a.*
from    a
        inner join b 
          on  a.chr = b.chr
              and b.pos between a.pos - 5000 and a.pos + 5000
")

【讨论】：

data.table 的另一种可能性：a[pos %inrange% b[, .(low = pos - 5000, high = pos + 5000)] & match(chr, b$chr)]
@Jaap 你是对的sqldf 输出，我现在已经修复了。是的，这看起来是一个更好的data.table 选项。随意添加作为答案。
不确定它是否真的更好。随意包含它，它的灵感来自我发布的 previous answer。