数据框中的常见元素

Question

我有三个数据框，包含大量信息和以下行名称：

calloc()

我想要做的是找到中至少 2个数据帧中常见的所有条目（行名称）。即，最终结果应该是单个列表，如下所示：

ENSG00000000971 ENSG00000000971 ENSG00000000971
ENSG00000004139 ENSG00000004139 ENSG00000003987
ENSG00000005001 ENSG00000004848 ENSG00000004848
ENSG00000005102 ENSG00000002330 ENSG00000002330
ENSG00000005486 ENSG00000005102 ENSG00000006047
...             ...             ...

我该怎么做呢？我试过这样做：

ENSG00000000971
ENSG00000004139
ENSG00000004848
ENSG00000005102
ENSG00000002330

...其中三个shared.DESeq2.edgeR = data.frame(row.names(res.DESeq2) %in% row.names(res.edgeR)) shared.DESeq2.limma = data.frame(row.names(res.DESeq2) %in% row.names(res.limma)) shared.edgeR.limma = data.frame(row.names(res.edgeR) %in% row.names(res.limma)) shared = merge(merge(shared.DESeq2.edgeR, shared.DESeq2.limma), shared.edgeR.limma) 是三个数据框，但这需要很长时间才能运行（我甚至没有让它完成，所以我不知道它是否真的有用）。我有一些代码为所有三个数据帧共有的元素执行此操作，但我也对两个或更多数据帧中常见的元素感兴趣，但我不能真的找到一个很好的方法来做到这一点。有什么想法吗？

Answer 1

试试这个例子：

#dummy data, with real data we would do: res.DESeq2_rn <-row.names(res.DESeq2)
res.DESeq2_rn <- letters[1:4]
res.edgeR_rn <- letters[3:8]
res.limma_rn <- letters[c(1,3,8,10)]

#get counts
res <- table(c(res.DESeq2_rn, res.edgeR_rn, res.limma_rn))
res
# a b c d e f g h j 
# 2 1 3 2 1 1 1 2 1 

#result
names(res)[ res>=2 ]
#[1] "a" "c" "d" "h"

编辑：基准测试表明@vaettchen的解决方案是赢家！

library(microbenchmark)
library(ggplot2)
# create a large random character vector (this takes a lot of time!)
set.seed(123)
myNames <- sapply(1:1000000,
                  function(i)paste( sample( letters, 8, replace = TRUE ), collapse = "" ))
A <- sample(myNames,1000)
B <- sample(myNames,2000)
C <- sample(myNames,3000)

#benchmarking 3 options
myBench <- microbenchmark(
  Which={
    res <- c(A,B,C)
    out1 <- unique( res[ which( duplicated( res ) ) ] ) },
  Table={ 
    res <- c(A,B,C)
    y <- table( res )
    out2 <- names( y )[ y >= 2 ] },
  Intersect={ 
    out3 <- 
      unique(
        c(intersect(A,B),
          intersect(A,C),
          intersect(B,C)))},
  times=1000)

print(myBench)
qplot(y=time, data=myBench, colour=expr) + scale_y_log10()

Unit: microseconds
      expr       min         lq       mean     median         uq       max neval cld
     Which   266.837   280.4190   527.8266   288.2680   301.2475  59255.34  1000  a 
     Table 32167.286 32739.5945 34851.2260 33072.0825 33524.2550 108176.22  1000   b
 Intersect   450.965   472.3965   667.3316   484.7725   499.8650  60266.54  1000  a 

Answer 2

采用@ zx8754的样本数据的另一种方法：

# dummy data
res.DESeq2 <- letters[ 1:4 ]
res.edgeR <- letters[ 3:8 ]
res.limma <- letters[ c( 1, 3, 8, 10 ) ]

# combine into one vector                  
res <- c( res.DESeq2, res.edgeR, res.limma )
res
[1] "a" "b" "c" "d" "c" "d" "e" "f" "g" "h" "a" "c" "h" "j"

# result
unique( res[ which( duplicated( res ) ) ] )
[1] "c" "d" "a" "h"                  

修改

@ zx8754的答案被接受，出于各种原因，它是干净而优雅的。纯粹是出于我的求知欲，我研究了他和我的大样本方法之间的性能差异，发现它很有趣，可以发布它：

# create a large random character vector (this takes a lot of time!)
res <- rep( "x", 1000000 )
for( i in 1:1000000) 
    res[ i ] <- paste( sample( letters, 8, replace = TRUE ), collapse = "" )
head( res )
[1] "vsvkljgr" "ulxhqnas" "upqqtrdk" "pynuaihp" "srjtnvqm" "mxnlytvd"

# vaettchen:
system.time( x <- unique( res[ which( duplicated( res ) ) ] ) )
 user  system elapsed 
0.173   0.000   0.171 
x
[1] "zlzlwinb" "wielycpx"

# zx8754
system.time( { y <- table( res ); z <- names( y )[ y >= 2 ] } )
  user  system elapsed
18.945   0.020  19.058 
z
[1] "wielycpx" "zlzlwinb"

对于足够大的数据或重复呼叫，差异可能很重要。我的代码的简要说明：

• duplicated( res )创建一个长度为res的向量，其中包含逻辑TRUE或FALSE，具体取决于字符串是否重复出现
• which( ... )将其转换为索引向量，其值为TRUE
• res[ ... ]在索引位置提取res的实际字符值，
• unique( ... )将每个字符值减少到只有一个外观，这是@Sajber正在寻找的答案（据我理解）