如何基于另一DataFrame的区间匹配基因与突变信息（R语言）

现有两个R DataFrame：

• df1包含基因名称及其基因组位置区间（起始min、终止max）：

df1 = data.frame("gene" = c("a","b","c"), "min" = c(1,3,5), "max"=c(2,4,6))

• df2包含突变位置及影响程度：

df2 = data.frame("position" = c(1.5,3.5,5.5),"impact" = c("low","low","high"))

需要生成新的DataFrame，展示突变位置、所属基因及影响程度，期望输出：

position  gene     impact
1.5       a        low
3.5       b        low
5.5       c        high

方法1：基础R实现 #

遍历每个突变位置，匹配对应基因区间：

# 为df2添加匹配到的基因列
df2$gene <- sapply(df2$position, function(x) df1$gene[df1$min <= x & df1$max >= x])
# 调整列顺序以匹配期望输出
result <- df2[, c("position", "gene", "impact")]
print(result)

方法2：dplyr包实现 #

通过交叉连接加过滤完成匹配，适合复杂场景扩展：

library(dplyr)

result <- df2 %>%
  cross_join(df1) %>%
  filter(position >= min & position <= max) %>%
  select(position, gene, impact)

print(result)

方法3：data.table包实现 #

非等连接效率更高，适合大规模数据处理：

library(data.table)

setDT(df1)
setDT(df2)

result <- df2[df1, on = .(position >= min, position <= max), 
              .(position = x.position, gene, impact)]

print(result)

内容的提问来源于stack exchange，提问作者Evelyn Abbott