Объединение двух таблиц, где один столбец является подстрокой другого в R

Question

У меня есть два data.frames со столбцами, которые содержат номера доступа

подмножество df 1:

sub_df1 <- structure(list(database = "CLO, ArrayExpress, ArrayExpress, ATCC, BCRJ, BioSample, CCLE, ChEMBL-Cells, ChEMBL-Targets, Cosmic, Cosmic, Cosmic, Cosmic-CLP, GDSC, GEO, GEO, GEO, IGRhCellID, LINCS_LDP, Wikidata", 
    database_accession = "CLO_0009006, E-MTAB-2770, E-MTAB-3610, CRL-7724, 0337, SAMN03471142, SH4_SKIN, CHEMBL3308177, CHEMBL2366309, 687440, 909713, 2159447, 909713, 909713, GSM887568, GSM888651, GSM1670420, SH4, LCL-1280, Q54953204"), .Names = c("database", 
"database_accession"), row.names = 2L, class = "data.frame")

подмножество df 2:

sub_df2 <- structure(list(database_accession = "SH4_SKIN", G1 = -1.907138, 
    G2 = -7.617305, G3 = -3.750553, G4 = 2.615004, G5 = 9.751557), .Names = c("database_accession", 
"G1", "G2", "G3", "G4", "G5"), row.names = 101L, class = "data.frame")

Iхотел бы объединить два кадра данных по столбцу database_accession, но проблема в том, что они не являются точными совпадениями.строка в sub_df2 является подстрокой строки в sub_df1.

Я думал об использовании fuzzyjoin , но с трудом поддается правильному алгоритму соответствия.

Answer 1

Решение fuzzyjoin, использующее match_fun = str_detect или regex_join ():

library(tidyverse); library(fuzzyjoin)
# Load data
sub_df1 <- structure(list(database = "CLO, ArrayExpress, ArrayExpress, ATCC, BCRJ, BioSample, CCLE, ChEMBL-Cells, ChEMBL-Targets, Cosmic, Cosmic, Cosmic, Cosmic-CLP, GDSC, GEO, GEO, GEO, IGRhCellID, LINCS_LDP, Wikidata", database_accession = "CLO_0009006, E-MTAB-2770, E-MTAB-3610, CRL-7724, 0337, SAMN03471142, SH4_SKIN, CHEMBL3308177, CHEMBL2366309, 687440, 909713, 2159447, 909713, 909713, GSM887568, GSM888651, GSM1670420, SH4, LCL-1280, Q54953204"), .Names = c("database", "database_accession"), row.names = 2L, class = "data.frame")
sub_df2 <- structure(list(database_accession = "SH4_SKIN", G1 = -1.907138, G2 = -7.617305, G3 = -3.750553, G4 = 2.615004, G5 = 9.751557), .Names = c("database_accession", "G1", "G2", "G3", "G4", "G5"), row.names = 101L, class = "data.frame")

# Solution
# Using fuzzy_join. Could also use regex_full_join(), which is the wrapper for match_fun = str_detect, mode = "full"
fuzzy_join(sub_df1, sub_df2, match_fun = str_detect, by = "database_accession", mode = "full") %>% 
  str()
#> 'data.frame':    1 obs. of  8 variables:
#>  $ database            : chr "CLO, ArrayExpress, ArrayExpress, ATCC, BCRJ, BioSample, CCLE, ChEMBL-Cells, ChEMBL-Targets, Cosmic, Cosmic, Cos"| __truncated__
#>  $ database_accession.x: chr "CLO_0009006, E-MTAB-2770, E-MTAB-3610, CRL-7724, 0337, SAMN03471142, SH4_SKIN, CHEMBL3308177, CHEMBL2366309, 68"| __truncated__
#>  $ database_accession.y: chr "SH4_SKIN"
#>  $ G1                  : num -1.91
#>  $ G2                  : num -7.62
#>  $ G3                  : num -3.75
#>  $ G4                  : num 2.62
#>  $ G5                  : num 9.75

^{Создано в 2019-03-17 пакетом prex (v0.2,1)}

Answer 2

Вы можете использовать пакет sqldf и написать запрос, объединяющий таблицы с условием like, чтобы проверить, содержит ли значение в sub_df1 значение в sub_df2.

library(sqldf)
sqldf('
select  *
from    sub_df2 two
        left join sub_df1 one
          on one.database_accession like "%" || two.database_accession || "%"
')