如何将紧凑的R data.table范围数据展开为逐行宽格式表？

问题回顾 #

你有一个存储染色体区间的紧凑data.table：

dt.compact = data.table(chr=c('chr1','chr1','chr2','chr2'),start = c(1,5,2,7), stop = c(3,7,3,8))

输出如下：

chr start stop
1: chr1 1 3
2: chr1 5 7
3: chr2 2 3
4: chr2 7 8

想要转换成每行对应单个位置的格式，目标输出示例：

do.call(data.table, list(V1 = c(rep('chr1', 6),rep('chr2', 4)), V2 = c(1:3, 5:7, 2:3, 7:8)))

对应的结果：

V1 V2
1: chr1 1
2: chr1 2
3: chr1 3
4: chr1 5
5: chr1 6
6: chr1 7
7: chr2 2
8: chr2 3
9: chr2 7
10: chr2 8

高效内置解决方案 #

不用自己写mapply自定义函数，data.table的分组操作+seq.int就能一步搞定，代码简洁还高效：

library(data.table)
# 定义原始紧凑表
dt.compact = data.table(chr=c('chr1','chr1','chr2','chr2'),start = c(1,5,2,7), stop = c(3,7,3,8))

# 核心展开操作
dt.expanded = dt.compact[, .(V2 = seq.int(start, stop)), by = chr]

# 如果需要和示例完全一致的列名，重命名即可
setnames(dt.expanded, c("chr", "V2"), c("V1", "V2"))

解法说明 #

• 利用data.table的by = chr按染色体分组，对每组内的start和stop调用seq.int生成连续的位置序列
• 这种方法是data.table原生优化过的，处理大规模数据集时比mapply这类基础函数快很多
• 代码逻辑清晰，一眼就能看懂是在做什么，后期维护也方便

内容的提问来源于stack exchange，提问作者Danyou