R语言中样本匹配：关联不同标识的表达量dataframe

问题描述 #

现有两个结构相似的基因表达DataFrame，分别使用不同的样本标识（sample和sample2），表达量数据相近。需要按基因分组，为每个样本的基因表达量找到另一个DataFrame中最匹配的表达量，并关联对应的样本标识，最终合并成目标格式的数据集。

示例数据 #

第一个DataFrame：

gene <- c("a", "b", "c", "a", "b", "c", "a", "b", "c")
sample <- c("a", "a", "a", "b", "b", "b", "c", "c", "c")
expression <- c("5", "6", "8", "3", "5", "7", "7", "8", "9")
df1 <- data.frame(gene, sample, expression)

输出：

gene sample expression
1    a      a          5
2    b      a          6
3    c      a          8
4    a      b          3
5    b      b          5
6    c      b          7
7    a      c          7
8    b      c          8
9    c      c          9

第二个DataFrame：

gene2 <- c("a", "b", "c", "a", "b", "c", "a", "b", "c")
sample2 <- c("1", "1", "1", "2", "2", "2", "3", "3", "3")
expression2 <- c("5.4", "6.3", "8", "3.2", "5.4", "7.2", "7.1", "8.2", "9.4")
df2 <- data.frame(gene2, sample2, expression2)

输出：

gene2 sample2 expression2
1     a       1         5.4
2     b       1         6.3
3     c       1           8
4     a       2         3.2
5     b       2         5.4
6     c       2         7.2
7     a       3         7.1
8     b       3         8.2
9     c       3         9.4

期望合并结果：

gene sample sample2 expression expression2
1    a      a       1          5         5.4
2    b      a       1          6         6.3
3    c      a       1          8           8
4    a      b       2          3         3.2
5    b      b       2          5         5.4
6    c      b       2          7         7.2
7    a      c       3          7         7.1
8    b      c       3          8         8.2
9    c      c       3          9         9.4

解决方案 #

方法1：使用dplyr+purrr实现分组匹配 #

适合熟悉tidyverse语法的场景，步骤清晰：

1. 转换表达量为数值型（原始数据为字符型，无法计算差值），统一基因列名：

library(dplyr)
library(purrr)

# 转换数据类型
df1$expression <- as.numeric(df1$expression)
df2$expression2 <- as.numeric(df2$expression2)
# 统一基因列名
colnames(df2)[colnames(df2) == "gene2"] <- "gene"

2. 按基因分组，为每个表达量找到匹配的最小差值行：

merged_df <- df1 %>%
  group_by(gene) %>%
  mutate(
    # 对当前基因的每个表达量，找到df2中差值最小的行索引
    match_idx = map_int(expression, ~ which.min(abs(df2$expression2[df2$gene == cur_group()$gene] - .x))),
    # 提取匹配的样本标识和表达量
    sample2 = df2$sample2[df2$gene == cur_group()$gene][match_idx],
    expression2 = df2$expression2[df2$gene == cur_group()$gene][match_idx]
  ) %>%
  ungroup() %>%
  select(gene, sample, sample2, expression, expression2)

# 查看结果
print(merged_df)

方法2：使用data.table滚动连接（适合大规模数据集） #

data.table的滚动连接效率极高，适合处理大规模数据：

1. 转换数据类型并统一列名：

library(data.table)

setDT(df1)
setDT(df2)

df1[, expression := as.numeric(expression)]
df2[, expression2 := as.numeric(expression2)]
setnames(df2, "gene2", "gene")

2. 按基因分组执行滚动连接（roll="nearest"表示找最近值）：

merged_dt <- df2[df1, on = .(gene, expression2 = expression), roll = "nearest", 
                 .(gene, sample = i.sample, sample2 = x.sample2, expression = i.expression, expression2 = x.expression2)]

# 查看结果
print(merged_dt)

两种方法均可得到目标格式的合并数据集，其中data.table方法在处理百万级以上数据时优势明显。

内容的提问来源于stack exchange，提问作者szmple