搜索某个范围内的值，并为其分配两个数据框之间的标签

Question

这是我第一次来这里，如果我做错了什么或弄错了，我深表歉意。我正在处理基因组数据，我有两个数据框:一个是关于一系列SNP的祖先的信息(见下表)：

Chrom | Start    | End      | Ancestry
---------------------------------------
 22   | 16495833 | 19868218 | EUR_Patag
 22   | 19873357 | 21405110 | Patag_Patag
 22   | 21416404 | 21449724 | Patag_UNK
 22   | 21458082 | 23704421 | EUR_Patag
 22   | 23712647 | 23717466 | Patag_UNK

另一个数据帧包含有关每个rsID的阶段性基因型的信息(见下表)：

Chrom | Pos      | ID       | Genot
---------------------------------------
 22   | 16495833 | rs116823 | 0|1
 22   | 16620701 | rs635455 | 0|0
 22   | 16648658 | rs445724 | 1|1
 22   | 16872459 | rs827345 | 1|0
 22   | 16880098 | rs309287 | 1|1

因此，我想用第一个数据帧分析来自第二个数据帧(通过"Pos“列)的每个SNP，评估这个特定SNP所在的范围，并用新列(在第二个数据帧中)分配祖先(根据SNP所在的范围)。

我正在寻找解决方案，我发现R中的库数据表能够处理这个问题，但不幸的是我无法找到解决方案。

我希望能对我的问题有一个很好的理解。非常感谢您的帮助

Answer 1

我认为我们可以将其作为重叠连接来实现。重叠连接在一个间隔上连接，在本例中我们有一个间隔和一个位置。从技术上讲，位置是长度为0的区间，所以我们仍然可以这样做。

require(data.table)

setDT(df1)
setDT(df2)

#create a duplicate of the position so we have our "interval"
df2[, Pos2:= Pos]

setkey(df1, Start, End)

outDF <- foverlaps(df2,df1, by.x=c("Pos","Pos2"),by.y=c("Start","End"),
  type="within", mult="all")

输出(将另一行22 23712650 rs309884 1|1 23712650添加到df2以进一步验证)

   Chrom    Start      End  Ancestry V1      Pos       ID Genot    Pos2
1:    22 16495833 19868218 EUR_Patag 22 16495833 rs116823 0|1  16495833
2:    22 16495833 19868218 EUR_Patag 22 16620701 rs635455 0|0  16620701
3:    22 16495833 19868218 EUR_Patag 22 16648658 rs445724 1|1  16648658
4:    22 16495833 19868218 EUR_Patag 22 16872459 rs827345 1|0  16872459
5:    22 16495833 19868218 EUR_Patag 22 16880098 rs309287 1|1  16880098
6:    22 23712647 23717466 Patag_UNK 22 23712650 rs309884 1|1  23712650

df1和df2与您列出的顺序相对应。

我在引用here时使用的示例