Быстрый способ выбора строк в таблице в R?

Я ищу быстрый способ извлечь большое количество строк с еще большим столом. Верхняя часть моего стола выглядит следующим образом:--5--> 

> 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

размеры:

> dim(dbsnp)
[1] 11934948        3

Я хочу выбрать строки, которые имеют имена строк, содержащиеся в списке:

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

> length(features)
[1] 915635

неудивительно, что простой способ сделать это temptable = dbsnp[features,] принимает совсем длительное время.

Я искал способы сделать это через пакет sqldf я думал, что так будет быстрее. К сожалению, я не могу понять, как выбрать строки с определенными именами строк в SQL.

спасибо.

7
data.table r row sql sqldf

3 ответов

способ, которым большинство людей изначально пытались бы это сделать:

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

поскольку вы говорите, что это занимает много времени, я подозреваю, что вы превысили емкость ОЗУ и начали использовать виртуальную память. Вы должны выключить систему, а затем перезапустить только R в качестве запущенного приложения и посмотреть, можно ли избежать "виртуального".

4

на data.table устранение:

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
10

используя sqldf вам понадобится rownames = TRUE затем вы можете запросить имена строк с помощью row_names:

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

обновление: поочередно, если fet - это фрейм данных,features столбец содержит необходимые элементы для поиска:

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

также, если данные были достаточно большими, мы могли бы ускорить его с помощью индексов. Вижу Домашняя страница sqldf для этого и другие детали.

5