R语言无需循环快速筛选包含指定位置的区间ID的方法

针对你描述的8.3万区间、18万位置的匹配场景，完全可以用底层C实现的向量化方案替代R层双层循环，效率提升千倍以上，以下是几种成熟的实现方案：

方案1：data.table非等值连接（性能最优，推荐） #

data.table的非等值连接是目前R中处理这类匹配效率最高的方案之一，你的数据规模基本可以做到秒级返回：

library(data.table)
# 预处理：如果ranges是cbind生成的字符矩阵，先转成数据框并修改列类型
ranges <- as.data.frame(ranges, stringsAsFactors = FALSE)
ranges$start <- as.integer(ranges$start)
ranges$stop <- as.integer(ranges$stop)

# 转data.table格式
setDT(ranges)
pos_dt <- data.table(pos = pos)

# 非等值匹配，直接返回至少包含一个pos的区间ID
selected.IDs <- ranges[pos_dt, 
                       on = .(start <= pos, stop >= pos), 
                       nomatch = 0,  # 丢弃无匹配的记录
                       unique.x = TRUE]$ID  # 每个区间只要匹配到1个pos就只保留1次

方案2：tidyverse非等值连接（语法友好，适合习惯dplyr的用户） #

如果你更习惯tidy系列的语法，可以用dplyr的join_by实现非等值连接，性能略低于data.table，但远优于双层循环：

library(dplyr)
# 预处理同上，保证start、stop为数值类型
ranges <- as.data.frame(ranges, stringsAsFactors = FALSE)
ranges$start <- as.integer(ranges$start)
ranges$stop <- as.integer(ranges$stop)

selected.IDs <- ranges %>%
  inner_join(tibble(pos = pos), join_by(start <= pos, stop >= pos)) %>%
  distinct(ID) %>%  # 去重，每个ID只保留一次
  pull(ID)

方案3：IRanges区间重叠匹配（适合基因组区间场景） #

如果你的数据是基因组相关的区间，IRanges是专门处理区间操作的Bioconductor包，性能同样非常优秀：

# 首次使用需要先安装：BiocManager::install("IRanges")
library(IRanges)
# 预处理同上，保证start、stop为数值类型
ranges <- as.data.frame(ranges, stringsAsFactors = FALSE)
ranges$start <- as.integer(ranges$start)
ranges$stop <- as.integer(ranges$stop)

# 构建区间对象
range_obj <- IRanges(start = ranges$start, end = ranges$stop, names = ranges$ID)
pos_obj <- IRanges(start = pos, end = pos)
# 查找重叠，每个区间只要匹配到第一个pos就停止
overlap_idx <- findOverlaps(range_obj, pos_obj, select = "first")
# 提取有重叠的ID
selected.IDs <- names(range_obj)[!is.na(overlap_idx)]

以上三种方案都完全规避了R层的循环操作，底层均为优化过的C语言实现，针对你的数据规模最慢也不会超过1秒，完全可以满足性能需求。

内容的提问来源于stack exchange，提问作者Laas