7

我正在寻找一种从更大的表中提取大量行的快速方法。我的表的顶部如下：

> 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

和尺寸：

> dim(dbsnp)
[1] 11934948        3

我想选择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，这样做的直接方法temptable = dbsnp[features,]需要相当长的时间。

我一直在寻找通过 R 中的 sqldf 包执行此操作的方法。我认为这可能会更快。不幸的是，我不知道如何在 SQL 中选择具有特定行名的行。

谢谢。

4

3 回答 3

10

data.table解决方案：

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
于 2012-08-30T19:53:55.657 回答
5

使用sqldf您将需要rownames = TRUE然后您可以使用以下方式查询行名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

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)

此外，如果数据足够大，我们可以使用索引加快速度。有关此内容和其他详细信息，请参见sqldf 主页。

于 2012-08-30T19:53:23.927 回答
4

大多数人最初尝试的方式是：

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

因为你说这需要很长时间，我怀疑你已经超出了你的 RAM 容量并开始使用虚拟内存。您应该关闭系统，然后仅使用 R 作为正在运行的应用程序重新启动，看看是否可以避免“虚拟化”。

于 2012-08-30T19:41:34.907 回答