如何使用dplyr基于另一个DataFrame的数值区间过滤行？

问题背景 #

我有两个DataFrame，需要用第二个的start/end区间规则过滤第一个：

待过滤数据集 singletons_bovis #

过滤规则数据集 singletons_elegans #

需求：保留singletons_bovis中同时满足以下两个条件的行：

• 该行的start落在singletons_elegans任意一行的start±250区间内
• 该行的end落在singletons_elegans任意一行的end±250区间内

我试了这段代码但跑不通：

df <- singletons_bovis %>% filter((start < singletons_elegans$start+250 & start > singletons_elegans$start-250) & (end > singletons_elegans$end-250 & end < singletons_elegans$end+250))

为啥之前的代码不行 #

你这段代码的问题有两个：

1. 逻辑匹配错了：你是把两个DataFrame的行按位置一一对应比较，但需求是检查每个bovis的行是否匹配elegans里的任意一行，而非同位置的行。
2. 向量长度不兼容：如果两个DataFrame行数不一样，R会自动循环补齐短向量，导致判断结果完全不符合预期。

正确的dplyr实现方法 #

下面给你三种可行的写法，按需选择：

方法1：笛卡尔积筛选（直观易懂） #

先把两个数据集的所有行组合配对，然后筛选符合条件的组合，最后去重保留原bovis的行：

library(dplyr)

filtered_df <- singletons_bovis %>%
  # 生成所有行的组合，x代表bovis的列，y代表elegans的列
  cross_join(singletons_elegans, suffix = c(".x", ".y")) %>%
  # 同时满足start和end的区间条件
  filter(
    start.x >= start.y - 250 & start.x <= start.y + 250,
    end.x >= end.y - 250 & end.x <= end.y + 250
  ) %>%
  # 只保留原bovis的列，去重避免重复行
  select(gene_id, start = start.x, end = end.x) %>%
  distinct()

方法2：逐行检查（高效小数据集） #

用rowwise()逐行处理bovis，对每一行检查是否存在elegans里的任意一行满足条件：

filtered_df <- singletons_bovis %>%
  rowwise() %>%
  filter(
    # 检查当前行start是否在任意elegans的start±250区间
    any(start >= singletons_elegans$start - 250 & start <= singletons_elegans$start + 250),
    # 检查当前行end是否在任意elegans的end±250区间
    any(end >= singletons_elegans$end - 250 & end <= singletons_elegans$end + 250)
  ) %>%
  # 取消逐行处理模式
  ungroup()

方法3：purrr映射（适合大数据集） #

结合purrr的映射函数，逐行判断条件，效率比rowwise()更高：

library(dplyr)
library(purrr)

filtered_df <- singletons_bovis %>%
  filter(
    # 对每个start值，检查是否匹配任意elegans的start区间
    map_lgl(start, ~ any(.x >= singletons_elegans$start - 250 & .x <= singletons_elegans$start + 250)),
    # 对每个end值，检查是否匹配任意elegans的end区间
    map_lgl(end, ~ any(.x >= singletons_elegans$end - 250 & .x <= singletons_elegans$end + 250))
  )

示例数据验证 #

针对你给出的示例数据：

• WB0001的start=54落在F12B6.1a.1的start±250区间（-250到250），但end=1500不在任何elegans行的end±250区间（F12B6.1a.1是208-708，C55C2.5d是54576-55076），会被过滤。
• WB0002的start和end都不满足条件，所以最终结果为空。

内容的提问来源于stack exchange，提问作者Lilly