在 R 中确定多个数据帧的重叠和子集

Question

我有六组不同的数据，每组都是大约 10,000 行或更大且有两列的数据框。一列包含峰值名称，例如“peak_1”，另一列包含频率。其中一些数据帧包含相同的峰值，而有些则不包含。我的目标是找出这六个数据帧的哪些重叠子集中的峰值（6 个数据集有 63 种不同的可能组合）。我找到了可以找到维恩图子集（这是我正在寻找的）的包，但不适用于 6 个数据集，我尝试使用 %in% 和 which，但是由于我的数据集的大小，我遇到了障碍我想不通。我试图通过将文件合并到所有可能的组合中手动确定它，然后根据文件的大小手动计算每个子集的大小，但我似乎在那里犯了错误，我需要知道每个子集中包含什么，而不仅仅是大小。

例子：

dataA             dataB            dataC
V1      V2        V1       V2      V1       V2
peak1   3         peak2    1       peak1    1
peak2   1         peak3    2       peak4    3
peak5   2         peak4    1       peak6    1
peak8   1         peak8    2       peak8    4
peak9   2

这是我希望达到的结果，其中 dataX 是一个不同的数据框（或类似的东西......我至少需要有可以保存为文件的新表）

dataA       dataB       dataC      dataAB      dataAC      dataBC      dataABC   
V1    V2    V1    V2    V1    V2   V1     V2   V1     V2   V1    V2    V1    V2
peak5 2     peak3 2     peak6 1    peak2  2    peak1  4    peak4 4     peak8 7
peak9 2

我知道这是冗长的，但任何建议都将受到欢迎，因为它看起来应该比我做的更直接！

Answer 1

假设您正在为V1 的每个级别寻找V2 的最大值，并且要知道它来自哪个data.frame，您可以使用以下命令：

library(dplyr)

# add a row to each with its name so there's a record after the join
dataA$df <- 'dataA'
dataB$df <- 'dataB'
dataC$df <- 'dataC'

# use dplyr version of rbind (use regular, if you prefer)
alldata <- bind_rows(dataA, dataB, dataC)

# dplyr chain that groups by V1 (peak), then chops to rows where V2 is equal 
# to its max for each group, then arrange by peak so it's pretty
alldata %>% group_by(V1) %>% filter(V2 == max(V2)) %>% arrange(V1)

返回

Source: local data frame [9 x 3]
Groups: V1 [8]

     V1    V2    df
  (chr) (int) (chr)
1 peak1     3 dataA
2 peak2     1 dataA
3 peak2     1 dataB
4 peak3     2 dataB
5 peak4     3 dataC
6 peak5     2 dataA
7 peak6     1 dataC
8 peak8     4 dataC
9 peak9     2 dataA

请注意，目前peak2 有两个最大值，这两个都是通过这种方法选择的。

---

数据：

dataA <- structure(list(V1 = structure(1:5, .Label = c("peak1", "peak2", 
"peak5", "peak8", "peak9"), class = "factor"), V2 = c(3L, 1L, 
2L, 1L, 2L)), .Names = c("V1", "V2"), class = "data.frame", row.names = c(NA, 
-5L))

dataB <- structure(list(V1 = structure(2:5, .Label = c("", "peak2", "peak3", 
"peak4", "peak8"), class = "factor"), V2 = c(1L, 2L, 1L, 2L)), .Names = c("V1", 
"V2"), class = "data.frame", row.names = c(NA, 4L))

dataC <- structure(list(V1 = structure(2:5, .Label = c("", "peak1", "peak4", 
"peak6", "peak8"), class = "factor"), V2 = c(1L, 3L, 1L, 4L)), .Names = c("V1", 
"V2"), class = "data.frame", row.names = c(NA, 4L))

Answer 2

使用 alistaire 的数据：

dl <- do.call(rbind, list(dataA,dataB,dataC))
# make a source indicator
unlist(mapply(rep, 1:3, sapply(list(dataA,dataB,dataC), NROW) ) )
 [1] 1 1 1 1 1 2 2 2 2 3 3 3 3
dl$source= unlist(mapply(rep, 1:3, sapply(list(dataA,dataB,dataC), NROW) ) )

现在可以通过以下方式识别哪些 V1 具有特定模式：

> table(dl$V1, dl$source)

        1 2 3
  peak1 1 0 1
  peak2 1 1 0
  peak5 1 0 0
  peak8 1 1 1
  peak9 1 0 0
        0 0 0
  peak3 0 1 0
  peak4 0 1 1
  peak6 0 0 1

所以可以看到'peak8'在所有三个中。