Question

我有以下数据框（RES1）：

    "sequence" "support"
"1" "<{OV50}>"   0.286
"2" "<{OV148}>"  0.121

其他数据框（SRC2）：

  "sequenceID" "transactionID" "eventID" "items"
"1" 42207993       1577          1        "OV50"
"2" 42207993       6048          2        "OV11"
"3" 42207993       1597          3        "OV148"
"4" 57237976       12423         1        "OV56"
"5" 57237976       12589         2        "OV148"

我想得到以下输出数据帧（OUT3）：

  "sequenceID" "transactionID" "eventID" "items"  "Exist" "Co"
"1" 42207993       1577          1        "OV50"     1
"2" 42207993       6048          2        "OV11"     0
"3" 42207993       1597          3        "OV148"    1       0.67
"4" 57237976       12423         1        "OV56"     0
"5" 57237976       12589         2        "OV148"    1       0.5

对于SRC2中的每一行＆＃34; Exist＆＃34; OUT3中的列将是＆＃39; 0＆＃39;如果在RES1中根本没有值。例如，OV11根本不会出现在RES1中，因此其值为0。在sequenceID的最后一个值 - ＆＃39; 1＆＃39;将值除以相同sequenceID的数量，并将其添加到＆＃34; Co＆＃34;柱。在第3行中，有3行序列ID = 42207993，数字为＆＃39; 1＆＃39;是2 2/3 = 0.67。我想找到最有效的方法，因为每个数据帧都是非常大的数据帧。

Answer 1

一种选择是使用data.table。我们将'data.frame'转换为data.table（setDT(SRC2)），使用gsub删除'RES1'的'sequence'列中的标点字符，检查它是否存在于'{1}}中items'，通过用+换行将逻辑向量强制转换为二进制，并将输出分配（:=）到新列'Exist'。按'sequenceID'分组，我们将'存在'的sum除以nrow（.N），round，转换为'character'并将其指定为'Co'。然后，我们得到那些不是每个'sequenceID'的最后一行的元素的行索引（.I），并将它们分配给''。

library(data.table)#v1.9.6+
setDT(SRC2)[, Exist := +(items %chin% gsub('[^[:alnum:]]+', 
           '', RES1$sequence))]
i1 <- SRC2[, Co:= as.character(round(sum(Exist)/.N, 2)) , 
            sequenceID][, .I[1:(.N-1)], sequenceID]$V1
SRC2[i1, Co:= '']
SRC2
#   sequenceID transactionID eventID items Exist   Co
#1:   42207993          1577       1  OV50     1     
#2:   42207993          6048       2  OV11     0     
#3:   42207993          1597       3 OV148     1 0.67
#4:   57237976         12423       1  OV56     0     
#5:   57237976         12589       2 OV148     1  0.5

数据

SRC2 <- structure(list(sequenceID = c(42207993L, 42207993L, 
 42207993L, 
 57237976L, 57237976L), transactionID = c(1577L, 6048L, 1597L, 
 12423L, 12589L), eventID = c(1L, 2L, 3L, 1L, 2L),
 items = c("OV50", 
 "OV11", "OV148", "OV56", "OV148")), .Names = c("sequenceID", 
 "transactionID", "eventID", "items"), class = "data.frame", 
 row.names = c("1", "2", "3", "4", "5"))

RES1 <- structure(list(sequence = c("<{OV50}>", "<{OV148}>"),
 support = c(0.286,    
 0.121)), .Names = c("sequence", "support"),
 class = "data.frame", row.names = c("1", "2"))

在另一个数据帧中查找一个数据帧的值的有效方法

1 个答案:

数据