如何按500区间统计R dataframe中'si'的数量？

原始数据与需求 #

你有如下结构的DataFrame：

df <- data.frame(chr = c("chr1","chr1","chr1","chr1","chr1","chr1","chr1","chr1","chr1","chr1"), 
                 start = c(100,300,500,700,900,1100,1300,1500,1900,2100), 
                 end = c(200,400,600,800,1000,1200,1400,1600,1800,2000), 
                 sv = c("si", "si", "si", "si","si", "si","si", "si","si", "si"))

需求是按每500的区间（0-500、501-1001、1002-1502、1503-2003……）统计其中"si"的数量。

原函数的问题 #

你写的函数有三个核心问题：

• 变量名冲突：函数参数start、end和DataFrame的列名重名，导致条件判断start >= start & end <= end逻辑混乱，R会优先调用函数参数的向量而非逐行的列值。
• 未使用筛选后的结果：subset操作后没有赋值给变量，直接调用table(df$sv)时用的还是原始DataFrame，所以返回总数量。
• 未遍历区间：没有循环处理所有区间，仅执行了一次筛选统计，无法得到每个区间的结果。

解决方案 #

方法1：基础R循环遍历区间 #

先修改区间变量名避免冲突，再逐个区间筛选统计：

# 定义区间起止（修改变量名避免冲突）
start_intervals <- c(1,501,1002,1503) 
end_intervals <- c(500, 1001, 1502, 2003)

# 初始化结果容器
si_counts <- numeric(length(start_intervals))

# 遍历每个区间统计
for (i in seq_along(start_intervals)) {
  # 筛选当前区间内的行：df的start >= 区间start，且df的end <= 区间end
  filtered_rows <- subset(df, start >= start_intervals[i] & end <= end_intervals[i])
  # 统计si数量（如果有其他sv类型，改用sum(filtered_rows$sv == "si")）
  si_counts[i] <- nrow(filtered_rows)
}

# 给结果添加区间名称
names(si_counts) <- paste(start_intervals, end_intervals, sep = "-")
si_counts

运行后得到结果：

1-500 501-1001 1002-1502 1503-2003 
      2        3        2        2 

方法2：用cut函数快速分组统计 #

如果区间规则固定，用cut函数给数据分组后直接统计，更简洁：

# 定义区间断点，覆盖所有数据范围
breaks <- c(0, 500, 1001, 1502, 2003, Inf)
# 给df添加区间分组列（right=FALSE表示左闭右开区间，可根据需求调整）
df$interval <- cut(df$end, breaks = breaks, right = FALSE)
# 统计每个区间的si数量
table(df$interval)

运行结果：

[0,500) [500,1001) [1001,1502) [1502,2003)    [2003, Inf) 
        2          3          2          2          1 

（注：最后一个区间[2003, Inf)对应df中start=2100、end=2000的行，因end=2000小于2003，实际不会被统计到，这里是断点设置的延伸，可根据需求调整断点）

内容的提问来源于stack exchange，提问作者marduk