如何在R的data.table中基于区间匹配添加列？

问题背景 #

现有两个data.table：

• 表A包含chrom（染色体）和pos（位置）两列
• 表B是从BED文件读取的区间数据，包含chrom、start（区间起始）、end（区间结束）三列

需要为表A新增一列select_status，规则为：若某行的pos落在表B中对应chrom的任意区间内，则值为TRUE，否则为FALSE。之前尝试的逐行匹配方法效率低下，且存在逻辑错误（如chr3的399被错误标记为TRUE），需要更高效的解决方案。

示例数据：

library(data.table)

A <- data.table(chrom = c("chr1", "chr2", "chr3", "chr3", "chr3"),
                pos = c(100, 200, 300, 391, 399))
B <- data.table(chrom = c("chr1", "chr2", "chr2", "chr3", "chr3", "chr3"),
                start = c(150, 180, 250, 280, 390, 600),
                end = c(200, 220, 300, 320, 393, 900))

期望结果：

chrom pos select_status
1:  chr1 100         FALSE
2:  chr2 200          TRUE
3:  chr3 300          TRUE
4:  chr3 391          TRUE
5:  chr3 399          FALSE

高效解决方案 #

方法一：非等值连接标记 #

利用data.table的非等值连接特性，直接匹配符合条件的行，无需逐行循环：

# 初始化状态为FALSE
A[, select_status := FALSE]
# 非等值连接找到所有匹配的行（pos在对应chrom的start和end之间）
matched_rows <- A[B, on = .(chrom, pos >= start, pos <= end), nomatch = 0]
# 将匹配到的行标记为TRUE
A[matched_rows, select_status := TRUE]

方法二：使用foverlaps区间重叠匹配 #

foverlaps是data.table专门用于区间重叠匹配的函数，适合处理BED这类区间数据：

# 将A的单个pos转换为区间格式（start和end均为pos）
A_interval <- A[, .(chrom, start = pos, end = pos, pos)]
# 设置B的key用于区间匹配
setkey(B, chrom, start, end)
# 匹配A的点是否完全在B的区间内（type="within"）
overlap_result <- foverlaps(A_interval, B, type = "within", nomatch = 0)
# 标记匹配状态
A[, select_status := FALSE]
A[overlap_result, select_status := TRUE]

方案说明 #

上述两种方法均基于data.table的底层优化实现，避免了逐行遍历的低效问题，在大数据量场景下性能优势明显。两种方法最终都能得到符合预期的结果，可根据个人习惯选择使用。

内容的提问来源于stack exchange，提问作者zhang