R：当输入数据帧非常大时优化 For 循环

Question

我有一个名为 ppiensemble 的巨大数据框，其中包含近 500 万行。这是一个示例：

> head(ppiensemble, 10)
          protein1        protein2
1  ENSP00000000233 ENSP00000020673
2  ENSP00000000233 ENSP00000054666
3  ENSP00000000233 ENSP00000158762
4  ENSP00000000233 ENSP00000203407
5  ENSP00000000233 ENSP00000203630
6  ENSP00000000233 ENSP00000215071
7  ENSP00000000233 ENSP00000215115
8  ENSP00000000233 ENSP00000215375
9  ENSP00000000233 ENSP00000215565
10 ENSP00000000233 ENSP00000215574

此处的目标是将列 protein1 中的所有项目转换为来自名为 idconversiontable 的单独数据框的备用 ID。我想提取idconversiontable$From中对应的字符。还要注意 idconversiontable 只有大约 50000 行：

> head(idconversiontable, 10)
                To   From
1  ENSP00000167825 Q9HCE6
2  ENSP00000355060 Q9HCE6
3  ENSP00000364564 Q9HCE6
4  ENSP00000244303 Q9Y2N7
5  ENSP00000300862 Q9Y2N7
6  ENSP00000366898 Q9Y2N7
7  ENSP00000255324 Q9BXT8
8  ENSP00000255325 Q9BXT8
9  ENSP00000322242 Q8N5U6
10 ENSP00000415682 Q8N5U6

因此，我尝试在下面通过为 protein1 设置一个名为 demo1 的向量来做到这一点。它适用于小场景，但这太荒谬了……它需要永远。另外，我最终也会为 protein2 做同样的事情。关于如何加快此过程的任何想法？

demo1 <- vector(mode="character", length=nrow(ppiensemble))
for(i in 1:nrow(ppiensemble)) {
  demo1[i] <- try(ifelse(ppiensemble$protein1[i] %in% idconversiontable$To,
  as.character(idconversiontable[which(idconversiontable$To == ppiensemble$protein1[i]), 2]),
  "NA"))
    }

此外（在"optimization"的同一主题下），有没有办法在每次完成 5000 行时打印一条消息（即每次 i == 5000 的倍数）？

Answer 1

将您的转化 table 视为地图

map = setNames(idconversiontable$From, idconversiontable$To)

然后使用地图上的名称从蛋白质 ID 到基因符号

genes = map[ppiensemble$protein1]

这 'just works' 在查找不存在的符号时，例如，

map = setNames(c("a", "b"), c("A", "B"))
map[c("A", "C")]
##   A <NA> 
## "a"   NA

或者可能是稍微改进的 (?) 版本

unname(map[c("A", "C")])
## [1] "a" NA

R：当输入数据帧非常大时优化 For 循环

R: Optimizing a For Loop when input data frame is very large

optimization

for-loop

r