R 比较两个数据集以确定相关性
在比较下面两个(示例)数据集的过程中,我试图找到每列匹配的相关性(忽略NA)。我知道我可以在嵌套for循环中执行此操作,但这会使过程太慢,而且我不确定如何在data.table中执行此矢量化/中的操作R 比较两个数据集以确定相关性,r,dataframe,compare,data.table,bioinformatics,R,Dataframe,Compare,Data.table,Bioinformatics,在比较下面两个(示例)数据集的过程中,我试图找到每列匹配的相关性(忽略NA)。我知道我可以在嵌套for循环中执行此操作,但这会使过程太慢,而且我不确定如何在data.table中执行此矢量化/中的操作 adf <- structure(c(NA, "CT", NA, "CT", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "TC", NA, NA, NA, NA,
adf <- structure(c(NA, "CT", NA, "CT", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "TC", NA, "GG", NA, "CC", NA, "GG", NA, "TT", NA, "TC", NA, "GG", NA, "CC", NA, "AG", NA, "TT", NA, "TT", NA, "GG", NA, NA, NA, "GG"), .Dim = c(10L, 10L), .Dimnames = list( c("7:100014471", "7:100038150", "7:100056646", "7:100079759", "7:100103260", "7:100129337", "7:100145085", "7:100195980", "7:100227528", "7:100256942"), c("100099681", "101666591", "102247652", "102284616", "103582612", "104344528", "105729734", "109897137", "112768301", "114724443")))
tdf <- structure(c(NA, "CC", NA, "CT", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "TC", NA, "GG", NA, "CC", NA, "GG", NA, "TT", NA, "TC", NA, "GG", NA, "CC", NA, "AG", NA, "TT", NA, "TT", NA, "GG", NA, NA, NA, "GG"), .Dim = c(10L, 10L), .Dimnames = list( c("7:100014471", "7:100038150", "7:100056646", "7:100079759", "7:100103260", "7:100129337", "7:100145085", "7:100195980", "7:100227528", "7:100256942"), c("100099681", "101666591", "102247652", "102284616", "103582612", "104344528", "105729734", "109897137", "112768301", "114724443")))
tdf[1:10, 1:10]
# 100099681 101666591 102247652 102284616 103582612 104344528 105729734 109897137 112768301 114724443
#7:100014471 NA NA NA NA NA NA NA NA NA NA
#7:100038150 "CC" "CT" "TT" "CT" "CT" "CT" "TT" "CT" "TT" "TT"
#7:100056646 NA NA NA NA NA NA NA NA NA NA
#7:100079759 "TC" "TC" "TC" "TC" "CC" "CC" "CC" "TC" "TC" "TT"
#7:100103260 NA NA NA NA NA NA NA NA NA NA
#7:100129337 NA NA NA NA NA NA NA "GG" "GG" "GG"
#7:100145085 NA NA NA NA NA NA NA NA NA NA
#7:100195980 NA NA NA NA NA NA NA "CC" "CC" NA
#7:100227528 NA NA NA NA NA NA NA NA NA NA
#7:100256942 "GG" "AG" "GG" "GG" "AG" "AG" "AG" "GG" "AG" "GG"
adf[1:10, 1:10]
# 100099681 101666591 102247652 102284616 103582612 104344528 105729734 109897137 112768301 114724443
#7:100014471 NA NA NA NA NA NA NA NA NA NA
#7:100038150 "CT" "CT" "TT" "CT" "CT" "CT" "TT" "CT" "TT" "TT"
#7:100056646 NA NA NA NA NA NA NA NA NA NA
#7:100079759 "TC" "TC" "TC" "TC" "CC" "CC" "CC" "TC" "TC" "TT"
#7:100103260 NA NA NA NA NA NA NA NA NA NA
#7:100129337 NA NA NA NA NA NA NA "GG" "GG" "GG"
#7:100145085 NA NA NA NA NA NA NA NA NA NA
#7:100195980 NA NA NA NA NA NA NA "CC" "CC" NA
#7:100227528 NA NA NA NA NA NA NA NA NA NA
#7:100256942 "GG" "AG" "GG" "GG" "AG" "AG" "AG" "GG" "AG" "GG"
我们可以使用colsums:
colSums(adf == tdf, na.rm = TRUE) /
(
colSums(adf == tdf, na.rm = TRUE) +
colSums(adf != tdf, na.rm = TRUE)
)
更简洁的版本:
# cleaner output
matches <- colSums(adf == tdf, na.rm = TRUE)
mismatches <- colSums(adf != tdf, na.rm = TRUE)
allCnt <- matches + mismatches
# output
data.frame(
matches,
mismatches,
allCnt,
myCor = matches / allCnt
)
# matches mismatches allCnt myCor
# 100099681 2 1 3 0.6666667
# 101666591 3 0 3 1.0000000
# 102247652 3 0 3 1.0000000
# 102284616 3 0 3 1.0000000
# 103582612 3 0 3 1.0000000
# 104344528 3 0 3 1.0000000
# 105729734 3 0 3 1.0000000
# 109897137 5 0 5 1.0000000
# 112768301 5 0 5 1.0000000
# 114724443 4 0 4 1.0000000
#清洁输出
比赛
# cleaner output
matches <- colSums(adf == tdf, na.rm = TRUE)
mismatches <- colSums(adf != tdf, na.rm = TRUE)
allCnt <- matches + mismatches
# output
data.frame(
matches,
mismatches,
allCnt,
myCor = matches / allCnt
)
# matches mismatches allCnt myCor
# 100099681 2 1 3 0.6666667
# 101666591 3 0 3 1.0000000
# 102247652 3 0 3 1.0000000
# 102284616 3 0 3 1.0000000
# 103582612 3 0 3 1.0000000
# 104344528 3 0 3 1.0000000
# 105729734 3 0 3 1.0000000
# 109897137 5 0 5 1.0000000
# 112768301 5 0 5 1.0000000
# 114724443 4 0 4 1.0000000