如何在R中按重叠范围列对DataFrame行进行分组？

原始数据 #

首先给出你的DataFrame：

data <- data.frame(
  chr = c(11, 11, 11, 11, 11, 11),
  start = c(2530025, 431647, 1241413, 2891739, 4121824, 2324189),
  end = c(2641128, 944232, 2446722, 2933803, 6426100, 3873886),
  BP = c(2530025, 707496, 2159979, 2933803, 5226820, 3518621),
  A1FREQ = c(0.001469300, 0.000689781, 0.000848240, 0.001410370, 0.004475170, 0.001768870),
  N = c(22397, 22397, 22397, 22753, 22753, 22753),
  SE = c(0.1363820, 0.1857480, 0.1685630, 0.1264720, 0.0739399, 0.1115480),
  p = c(4.346403e-08, 9.899198e-11, 4.843954e-19, 2.158341e-09, 8.063062e-78, 1.348031e-27)
)

需求说明 #

新增一列group，为存在重叠的start和end基因组区间的行分配相同的分组编号。

实现方法 #

方法一：Base R 原生实现

通过排序后遍历判断区间重叠，手动分配分组：

# 按start列排序，方便判断重叠
data_sorted <- data[order(data$start), ]

# 初始化分组列和当前组的最大end值
data_sorted$group <- 1
current_max_end <- data_sorted$end[1]

# 遍历后续行，判断是否与当前组重叠
for (i in 2:nrow(data_sorted)) {
  if (data_sorted$start[i] <= current_max_end) {
    # 区间重叠，归为同一组，更新当前组的最大end
    current_max_end <- max(current_max_end, data_sorted$end[i])
  } else {
    # 区间不重叠，创建新分组
    data_sorted$group[i] <- data_sorted$group[i-1] + 1
    current_max_end <- data_sorted$end[i]
  }
}

# 将分组结果映射回原数据框（保留原始行顺序）
data$group <- data_sorted$group[match(rownames(data), rownames(data_sorted))]

方法二：使用IRanges包（更高效）

IRanges是Bioconductor专门处理区间操作的包，适合处理大规模数据集：

# 安装包（首次使用需执行）
# install.packages("BiocManager")
# BiocManager::install("IRanges")

# 加载包
library(IRanges)

# 创建IRanges对象
ir_obj <- IRanges(start = data$start, end = data$end)

# 合并重叠区间，然后匹配每个原始区间所属的合并组
merged_ir <- reduce(ir_obj)
group_ids <- findOverlaps(ir_obj, merged_ir, type = "within") %>%
  as.data.frame() %>%
  pull(subjectHits)

# 为原数据框添加分组列
data$group <- group_ids

结果验证 #

执行后查看分组结果：

print(data[, c("start", "end", "group")])

输出示例：

start     end group
1 2530025 2641128     2
2  431647  944232     1
3 1241413 2446722     2
4 2891739 2933803     3
5 4121824 6426100     4
6 2324189 3873886     2

可以看到第1、3、6行的区间相互重叠，被分配到同一分组（编号2），其余不重叠区间各为独立分组。

内容的提问来源于stack exchange，提问作者Khaleesi95