如何解释合并/连接添加过多的行？

Question

我有一个映射到一种蛋白质ID的基因数据集，然后我试图在另一个第二个数据集中找到这些蛋白质ID。第二个数据集相当大，有11759454行。我尝试使用merge或join查找匹配的蛋白质I，例如：

testdf <- join(proteindf, genes)  #or:
testdf <- merge(proteindf, genes, by.all='protein_id' , all.x=TRUE)

这些都会运行，但是行顺序会变得不合适，因为testdf的大小增加到了11775850行。

我不确定如何解决这个问题，我有生物学背景，并尝试运行合并的sql版本，但这是无限运行没有完成。

我不能提供完整的数据，但通常数据集如下所示：

#gene dataset:

     protein_id             Gene
1   9606.ENSP00000378868    A1CF
2   9606.ENSP00000384794    A4GALT
3   9606.ENSP00000324842    AACS
4   9606.ENSP00000000233    ARF5 

#proteindf:
       protein_id                 protein_id1    coexpression experiments database
1   9606.ENSP00000000233    9606.ENSP00000272298        0          0        0
2   9606.ENSP00000000233    9606.ENSP00000253401        0          0        0
3   9606.ENSP00000000233    9606.ENSP00000401445        0          0        0
4   9606.ENSP00000000233    9606.ENSP00000418915        0          0        0

protein_id行可以是许多重复的，我认为这是导致问题的原因。

预期输出：

       protein_id           Gene            protein_id1    coexpression experiments database
1   9606.ENSP00000000233     ARF5       9606.ENSP00000272298        0          0        0
2   9606.ENSP00000000233     ARF5       9606.ENSP00000253401        0          0        0
3   9606.ENSP00000000233     ARF5       9606.ENSP00000401445        0          0        0
4   9606.ENSP00000000233     ARF5       9606.ENSP00000418915        0          0        0

接下来，我使用merge创建了另一个数据集(将基因的protein_id重命名为protein_id1)，以获得'protein_id1‘列的基因名称，这也给了我同样的11775850行。任何帮助理解这一点的人都将不胜感激。

Answer 1

由于缺乏编码示例，目前还不清楚问题到底是什么。

首先，by.all应该是by。其次，您看到观察值数量增加的原因只能是，gene中的protein_id中的一些值有几个匹配(例如，该id在基因数据集中不是唯一的)。

我们可以使用testdf[duplicated(testdf$protein_id),]或：

genes$growid <- seq_len(nrow(genes))
proteindf$prowid <- seq_len(nrow(proteindf))
mdf <- merge(proteindf, merge, by = 'protein_id', all.x = TRUE)
gids_dups <- duplicated(mdf$growid)
pids_dups <- duplicated(mdf$prowid)
#Gene duplicate rows
mdf[gids_dups, ] 
#protein duplicate rows (should be the same)
mdf[pids_dups, ] 

这个问题的解决方案取决于你的数据集，如果它确实是一个问题的话。