迭代两个 data.tables' 行的更优雅的方法

Question

我开始越来越频繁地使用 R，来自 C/C++。出于这个原因，在使用 R 的数据结构时，我经常发现自己在思考 à la C++。

~~这里我有两个 data.tables 必须遍历并用 table A 中第 2 列的值更新 table A 中第 1 列和第 2 列的值=44=]B，根据第1栏tableBw.r.t。 table A.~~

中的第 1 列和第 2 列

对于这种令人困惑的描述，我们深表歉意。我努力让它变得更好

我有两个数据tables（行数不同，因为它们实际上可能不同）：

TabA

     Col1     Col2
1:   TP53     CD68
2:   TP53    MPDU1
3:   TP53     PHF2
4:   TP53 KIAA0753
5:   CD68    ZBTB4
6:   CD68     CHD3
7:  MPDU1    ZBTB4
8:  MPDU1     CHD3
9:  MPDU1   SLC2A4
10: MPDU1     YBX2
11: MPDU1    AURKB
12: MPDU1 TMEM132B
13:  PHF2 C9orf129
14:  PHF2    CDH23
15:  PHF2   PTPDC1

和 TabB：

       Col3 Col4
1:   ADAM32  0
2:   ADARB2  1
3:    AGBL2  2
4:   ALOX12  3
5:  ANKRD46  4
6:    APOL1  5
7:    APOOL  6
8:     ASPA  7
9:      AUH  8
10:   AURKB  9
11:   AUTS2 10
12:    BAAT 11

所以基本上，我想比较 TabA 中的 Col1 和 Col2 与 TabB 中的 Col3：如果它们相等，则将字符串替换为 TabB 的 Col4 中的数字。

我的方法，绝对是 C 风格：

for(i in 1:nrow(TabA)) {
    for(j in 1:nrow(TabB)) {
        if(TabA$Col1[i] == TabB$Col3[j]) { 
            TabA$Col1[i] <- TabB$Col4[j] 
        }
        if(TabA$Col2[i] == TabB$Col3[j]) { 
            TabA$Col2[i] <- TabB$Col4[j] 
        }
    }
}

这按预期工作，但我很确定有一种更优雅（也更有效）的方法可以利用 data.table 的功能来做到这一点。有人有什么建议吗？

谢谢

Answer 1

因为我没有你的数据，所以我做了一个小例子，但我认为这就是你要找的东西：

x<- c("a","b","c","d") 
y<-c("a","d","e","f")
z<-c("z1","z2","z3","z4")
x[x %in% y]<-z[x %in% y]

Answer 2

如果您正在使用 data.table 您的原始问题（在对问题进行大量编辑之前）可以这样完成：

TabA <- data.table(Col1 = sample(LETTERS, 15), Col3 = rnorm(15))
TabB <- data.table(Col2 = sample(LETTERS, 15), Col4 = rnorm(15))
setkey(TabA, Col1)
setkey(TabB, Col2)
TabA
# shows TabA before changing it
TabA[TabB, Col3 := Col4]

我仍然觉得 data.table 的语法有点奇怪，因为当函数不修改其参数时，它与 R 中的标准行为不同。另一方面，它使代码简洁、内存高效和快速。

重写问题的解决方案

请注意，您的示例数据没有帮助 - TabB$Col3 中没有 TabA$Col1 的匹配项。无论如何，这可以通过几种方式解决。

使用 data.table := 运算符：

TabA[Col1 %in% TabB$Col3, Col1 := with(TabB, as.character(Col4[na.omit(match(Col1, Col3))]))]
TabA[Col2 %in% TabB$Col3, Col2 := with(TabB, as.character(Col4[na.omit(match(Col2, Col3))]))]

使用基本 R 语法（也适用于 data.frame）：

TabA$Col1[TabA$Col1 %in% TabB$Col3] <- TabB$Col4[match(TabA$Col1[TabA$Col1 %in% TabB$Col3], TabB$Col3)]
TabA$Col2[TabA$Col2 %in% TabB$Col3] <- TabB$Col4[match(TabA$Col2[TabA$Col2 %in% TabB$Col3], TabB$Col3)]

使用 setkey 并加入：

TabA[, Index := 1:nrow(TabA)]
setkey(TabA, Col1)
TabA[TabB, nomatch = 0, Col1 := as.character(Col4)]
setkey(TabA, Col2)
TabA[TabB, nomatch = 0, Col2 := as.character(Col4)]
setkey(TabA, Index)
TabA[, Index := NULL]

所有这些都假定 Col1 和 Col2 中的某些项目不会匹配。如果这不是真的，则可以优化代码。这也是Col4不得不强制角色化的原因。

Answer 3

这是一个仅使用基数的建议 R。

the_equals <- TabA$Col1[which(TabA$Col1 %in% TabB$Col3)]
nequals <- length(the_equals)
if(nequals>0) {
 idx1 <- lapply(1:nequals, function(x) which(TabA$Col1==the_equals[x]))
 idx2 <- lapply(1:nequals, function(x) which(TabB$Col3==the_equals[x]))
 Col2_new <- sapply(1:nequals, function(x) TabB$Col4[idx2[[x]][1]])
 for(i in 1:nequals) TabA$Col2[idx1[[i]]] <- Col2_new[i]
}

希望对您有所帮助。

Answer 4

当我想遍历datatabe

的每一行时，我通常使用by=1:nrow(DT)

library(data.table)

TabA <- data.table(Col1=c('A', 'B', 'C', 'D'), Col2=c('B', 'A', 'D', 'C'))
TabB <- data.table(Col3=c('A', 'B', 'C'), Col4=c(1, 2, 3))

TabA[, .(Col1=as.character(ifelse(nrow(TabB[Col3==Col1]) > 0, TabB[Col3==Col1]$Col4, Col1)), 
         Col2=as.character(ifelse(nrow(TabB[Col3==Col2]) > 0, TabB[Col3==Col2]$Col4, Col2))
         ), 
     by=1:nrow(TabA)][, .(Col1, Col2)]

或

TabA[, `:=`(Col1=as.character(ifelse(nrow(TabB[Col3==Col1]) > 0, TabB[Col3==Col1]$Col4, Col1)), 
            Col2=as.character(ifelse(nrow(TabB[Col3==Col2]) > 0, TabB[Col3==Col2]$Col4, Col2))
            ), 
     by=1:nrow(TabA)]

迭代两个 data.tables' 行的更优雅的方法

A more elegant way to iterate over two data.tables' rows

r

data.table

重写问题的解决方案