如何高效重置R数据框中指定数值范围的Pos列值？

问题背景 #

原始数据 #

生成目标数据框的代码：

# generate data frame
df = as.data.frame(cbind(c('Chr1', 'Chr1', 'Chr1', 'Chr2', 'Chr2', 'Chr2', 'Chr3', 'Chr3', 'Chr4', 'Chr4', 'Chr5'), 
                         c(121, 1567, 2489, 23, 565, 1789, 551, 1987, 25, 2356, 1111)))
colnames(df) = c('Chr', 'Pos')
df$Pos = as.numeric(df$Pos)

数据样例：

Chr  Pos
1  Chr1  121
2  Chr1 1567
3  Chr1 2489
4  Chr2   23
5  Chr2  565
6  Chr2 1789
7  Chr3  551
8  Chr3 1987
9  Chr4   25
10 Chr4 2356
11 Chr5 1111

需求说明 #

需要根据Pos列的值批量重置：

• 若 Pos ≤ 1000，设为 500
• 若 1000 < Pos ≤ 2000，设为 1500
• 若 2000 < Pos ≤ 3000，设为 2500

现有方法的局限性 #

手动嵌套ifelse可以实现需求，但面对大规模数据集时，逐个编写条件效率极低且扩展性差：

# 手动嵌套ifelse实现（仅适用于小规模数据）
df$Pos = ifelse(df$Pos <= 1000, 500, df$Pos)
df$Pos = ifelse(df$Pos <= 2000 & df$Pos > 1000, 1500, df$Pos)
df$Pos = ifelse(df$Pos <= 3000 & df$Pos > 2000, 2500, df$Pos)

预期输出：

Chr  Pos
1  Chr1  500
2  Chr1 1500
3  Chr1 2500
4  Chr2  500
5  Chr2  500
6  Chr2 1500
7  Chr3  500
8  Chr3 1500
9  Chr4  500
10 Chr4 2500
11 Chr5 1500

尝试向量匹配或Map函数时，因向量长度不匹配或逻辑错误，出现警告且结果不符合预期：

# 尝试的向量匹配方法（存在问题）
bin = seq(from = 1000, by = 1000, length.out = 3)
pos = seq(from = 500, by = 1000, length.out = 3)

df$Pos = ifelse(df$Pos <= bin & df$Pos > bin-1000, pos, df$Pos)

Warning messages:
1: In df$Pos <= bin :
  longer object length is not a multiple of shorter object length
2: In df$Pos > bin - 1000 :
  longer object length is not a multiple of shorter object length

高效解决方案 #

针对大规模数据集，推荐使用R内置的findInterval()或cut()函数，二者均为向量化操作，处理效率远高于手动条件判断。

方法1：使用findInterval() #

findInterval()可快速定位每个值所在的区间，再通过索引映射到目标值：

# 定义区间边界和对应映射值
breaks = c(-Inf, 1000, 2000, 3000)
values = c(500, 1500, 2500)

# 批量重置Pos列
df$Pos = values[findInterval(df$Pos, breaks)]

方法2：使用cut() #

cut()可将数值分箱，再将分箱结果映射为目标值：

# 分箱并转换为目标值
df$Pos = as.numeric(as.character(
  cut(df$Pos, 
      breaks = c(-Inf, 1000, 2000, 3000),
      labels = c(500, 1500, 2500))
))

结果验证 #

两种方法均可得到符合预期的输出，且处理大规模数据时，性能优势明显。

内容的提问来源于stack exchange，提问作者enileve