如何用lapply替代for循环从数据框提取基因计数至空数据框？

背景 #

需要处理包含数千个基因的数据框，目标是根据指定的基因ID向量快速提取对应计数并返回数据框，计划用apply系列函数替代for循环以提升处理速度。

原始数据表 #

rawCounts <- data.frame(
  ensembl_gene_id_version = c('ENSG00000000003.15', 'ENSG00000000005.6', 'ENSG00000000419.14'), 
  HS1 = c(1133, 0, 1392), 
  HS2 = c(900, 0, 1155),
  HS3 = c(1251, 0, 2011),
  HS4 = c(785, 0, 1022),
  stringsAsFactors = FALSE
)

原函数与问题现象 #

原函数定义 #

extract_counts <- function(df, esdbid){
  counts <- data.frame()

  plyr::ldply(esdbid, function(i) {counts <- df[grep(pattern = i, x = df),] %>% rbind()})

  return(counts)
}

问题 #

1. 调用extract_counts(df = rawCounts, esdbid = c('ENSG00000000003.15'))时无任何返回值；
2. 控制台单独运行单ID代码能返回正确结果，但多ID（如c('ENSG00000000003.15', 'ENSG00000000005.6', 'ENSG00000000419.14')）时，会重复返回第一个基因ID对应的计数。

问题原因 #

1. 返回值错误：函数内部ldply的结果未赋值给counts变量，最终返回的是初始定义的空数据框；
2. 匹配逻辑错误：grep的x参数传入了整个数据框，而非目标列ensembl_gene_id_version，导致匹配逻辑混乱，多ID时重复匹配到同一行。

解决方案 #

方案1：base R的lapply + do.call（替代for循环） #

extract_counts <- function(df, esdbid){
  # 逐个提取基因ID对应的行
  result_list <- lapply(esdbid, function(i) {
    df[df$ensembl_gene_id_version == i, ]
  })
  # 将结果列表合并为数据框
  do.call(rbind, result_list)
}

测试调用：

extract_counts(rawCounts, c('ENSG00000000003.15', 'ENSG00000000005.6'))

方案2：dplyr批量过滤（更高效，无需循环） #

对于大数据框，直接用%in%批量匹配是更高效的方式，无需迭代：

library(dplyr)

extract_counts <- function(df, esdbid){
  df %>% filter(ensembl_gene_id_version %in% esdbid)
}

方案3：修正原plyr::ldply写法 #

若坚持使用plyr包，需修正匹配列并直接返回ldply结果：

extract_counts <- function(df, esdbid){
  plyr::ldply(esdbid, function(i) {
    df[grep(pattern = i, x = df$ensembl_gene_id_version), ]
  })
}

内容的提问来源于stack exchange，提问作者Ctat41