在R中快速选择表格中的行的方法是什么？

Question

我正在寻找一种快速的方法来从一个更大的表中提取大量的行。我的表的顶部如下所示：

> head(dbsnp)

      snp      gene distance
rs5   rs5     KRIT1        1
rs6   rs6   CYP51A1        1
rs7   rs7 LOC401387        1
rs8   rs8      CDK6        1
rs9   rs9      CDK6        1
rs10 rs10      CDK6        1

还有尺寸：

> dim(dbsnp)
[1] 11934948        3

我想选择那些行名包含在列表中的行：

> head(features)
[1] "rs1367830" "rs5915027" "rs2060113" "rs1594503" "rs1116848" "rs1835693"

> length(features)
[1] 915635

毫不奇怪，直接使用temptable = dbsnp[features,]的方法需要相当长的时间。

我一直在研究如何通过R中的sqldf包来完成。我认为这可能会更快。不幸的是，我无法弄清楚如何在SQL中选择特定行名称的行。

谢谢。

- Gordon Freeman

---

请查阅data.table包，您可以使用键来完成此操作。您的“行名称”是否与snp列相同？ - Justin

是的，它们两个是一样的。我会研究 data.table。 - Gordon Freeman

只是出于兴趣，有人知道如果你首先使用像 foo<-rownames(dbsnp); bar<-which(foo%in%features,arr.ind=TRUE); temptable<-dbsnp[c(bar),] 这样的机制获取行号是否会有任何时间差异吗？（我知道这不是正确的R语法，但你明白我的意思）。 - Carl Witthoft

Answer 1

data.table 的解法：

library(data.table)
dbsnp <- structure(list(snp = c("rs5", "rs6", "rs7", "rs8", "rs9", "rs10"
), gene = c("KRIT1", "CYP51A1", "LOC401387", "CDK6", "CDK6", 
"CDK6"), distance = c(1L, 1L, 1L, 1L, 1L, 1L)), .Names = c("snp", 
"gene", "distance"), class = "data.frame", row.names = c("rs5", 
"rs6", "rs7", "rs8", "rs9", "rs10"))

DT <- data.table(dbsnp, key='snp')
features <- c('rs5', 'rs7', 'rs9')
DT[features]

   snp      gene distance
1: rs5     KRIT1        1
2: rs7 LOC401387        1
3: rs9      CDK6        1

- Justin

Answer 2

使用 sqldf 时，您需要设置 rownames = TRUE，然后可以使用 row_names 查询行名：

library(sqldf)

## input

test<-read.table(header=T,text="      snp      gene distance
rs5   rs5     KRIT1        1
rs6   rs6   CYP51A1        1
rs7   rs7 LOC401387        1
rs8   rs8      CDK6        1
rs9   rs9      CDK6        1
rs10 rs10      CDK6        1
")
features<-c("rs5","rs7","rs10")

## calculate

inVar <- toString(shQuote(features, type = "csh")) # 'rs5','rs7','rs10'

fn$sqldf("SELECT * FROM test t
          WHERE t.row_names IN ($inVar)"
           , row.names = TRUE)

## result
#      snp      gene distance
#rs5   rs5     KRIT1        1
#rs7   rs7 LOC401387        1
#rs10 rs10      CDK6        1

更新：或者，如果fet是一个数据框，其features列包含要查找的所需项目：

fet <- data.frame(features)
sqldf("SELECT t.* FROM test t
          WHERE t.row_names IN (SELECT features FROM fet)"
           , row.names = TRUE)

如果数据量足够大，我们可以使用索引来加快速度。有关此事和其他详细信息，请参见sqldf主页。

- shhhhimhuntingrabbits

Answer 3

大多数人最初尝试的方法是：

dbsnp[ rownames(dbsnp) %in% features, ]  # which is probably slower than your code

因为您说这需要很长时间，我怀疑您的 RAM 容量已经超过了限制，导致开始使用虚拟内存。您应该关闭系统，只运行 R 应用程序并尝试避免使用“虚拟内存”。

- IRTFM

---

我尝试按照你建议的方式选择行。这样做速度快得多（我之前不知道可以从列表中使用%in%）。 - Gordon Freeman

从您所显示的内容来看，我认为这两个对象都是“原子向量”，而不是R中的“列表”。我承认有点惊讶它运行得更快。 - IRTFM

好的 - 我下次会记住这个区别。我实际上是从你在这里的帖子中学到了两者之间的区别：https://dev59.com/Q2oy5IYBdhLWcg3wYc8l - Gordon Freeman