data.table:获取每个组的索引\ data.table

Question

我在data.table表单中有两个数据帧。其中一个是分组数据，我希望从第二个data.table框架中提取值的索引。以下是样本数据

snp_bygene<-data.table(V2=c("SNP1","SNP2","SNP3","SNP4","SNP5","SNP11","SNP12","SNP13","SNP14","SNP15"),
GENE=c( rep("GENE1",5),rep("GENE2",5) ),START=c(rep(100,5),rep(200,5)),END=c(rep(190,5),rep(290,5)) )

snp_data<-data.table(V2=c("SNP1","SNP2","SNP3","SNP4","SNP5","SNP11","SNP12","SNP13","SNP14","SNP15"),BP=c(101,102,105,110,125,201,202,205,210,225))

我想为V2在snp_bygene中获得snp_data V2匹配的索引。每一个基因我想得到SNP的位置。

setkey(snp_data, V2)
snp_bygene[snp_data]

我该怎么做？

最后的输出如下：

finalindex_perGene<-list("GENE1"=c(1, 2, 3, 4, 5) , "GENE2" =c(6, 7, 8, 9, 10))

编辑1:在GENE中没有snp_data组

Answer 1

我们可以做一个非equi连接on 'START‘、'END’列与'BP‘和equi连接'V2'，获得带有.I的行索引，在list中追加'GENE’列，然后在list中添加‘split .I’(I是为.I创建的默认列名，因为我们没有指定任何列名--它可以由.(I = .I, GENE)显式表示)，由‘split’表示。

with(snp_bygene[snp_data, .(.I, GENE), on = .(V2, START <= BP, 
       END >= BP)], split(I, GENE))

-output

#$GENE1
#[1] 1 2 3 4 5

#$GENE2
#[1]  6  7  8  9 10

Answer 2

如果不涉及BP合并数据表(即，仅取决于V2 )，我们可以使用chmatch获取匹配的行索引，例如，

> with(snp_bygene, split(chmatch(snp_bygene[, V2], snp_data[, V2]), GENE))
$GENE1
[1] 1 2 3 4 5

$GENE2
[1]  6  7  8  9 10

否则，您可能需要非equi和equi连接作为@akrun did。