R中的自定义合并功能 [英] Custom Merge Function in R
问题描述
我有一个很大的数据集，我想编写一个自定义合并函数以与apply一起使用，但是我不能解决某个问题.我不能使用循环，因为这会花费太长时间.数据大致如下:
I have a large data set and I want to write a custom merge function to use with apply but I can't solve a certain issue. I can't use a loop as it will take too long. The data roughly looks like this;
# [ Name, Strand, Start, End ]
R1 = c( 'GeneA', '+', 1000, 1500 )
R2 = c( 'GeneA', '+', 1510, 2000 )
R3 = c( 'GeneA', '+', 2001, 2500 )
R4 = c( 'GeneB', '-', 3100, 4000 )
数据是具有行R1:R4的data.frame
The data is a data.frame with rows R1:R4
到目前为止，我可以得到一个比较Ri和Rj(j = i +1)的函数，如果Name相同，Strand相同并且它们之间的距离小于100，则将它们合并.
So far I can get a function which compares Ri and Rj (j = i +1) and merges them if Name is the same, Strand is the same, and the gap between them is less then 100.
GAP = Ri[End] - Rj[Start]
如果我将函数应用于每一行并建立输出.函数输出然后应创建
If I apply the function to each row and build up the output. The function output then should create
R1 = c( 'GeneA', '+', 1000, 2500 )
R4 = c( 'GeneB', '-', 3100, 4000 )
我可以获得一个工作函数，可以使用apply将两个连续的元素合并为一个，但是我不知道如何合并三个连续的元素.一个丑陋的解决方案是运行两个连续的元素合并功能，直到不进行其他合并为止，但这效率不高.我有点想念想法，任何见解都将不胜感激.
I can get a working function which can use apply to merge two consecutive elements into one but I can't figure out how to merge three consecutive elements. One ugly solution was to run the two consecutive element merger function until no additional mergers are made but this is not efficient. I'm a bit stuck for ideas and any insights would be appreciated.
为澄清起见，数据按连续染色体上的起始位置排序(未显示)，每个基因名称在数据集中的不同位置出现多次(即GeneA可以是1000-2500，然后又是4000 -5000，而我不想合并这两个基因，只能合并连续的基因.
to clarify, the data is ordered by Start position on consecutive chromosomes (not shown) and each gene name occurs multiple times in the data set at different positions (ie. GeneA can be 1000-2500 and then again at 4000-5000, and I don't want to merge those two genes, only consecutive ones).
我在下面使用了Tim P解决方案.合并的效率出现了问题.还有一种方法可以将文本文件发布为堆栈溢出，以便我可以显示数据的真实外观，然后到目前为止可以发布我的脚本?
EDIT 2: I have used Tim P solution below. A problem has arisen in the efficiency of Merging. Also is there a way to post text files to stack overflow so I can show what the data really looks like and then post my script so far?
# Let ValidMerge be a logical vector of MergeDown corresponding to the rows in the data
# as defined by TimP below
# The data.frame is called RMDB
# TeMerge function is previously defined to merge two rows Ri and Rj into one entry
# which spans the start of Ri to the end of Rj (with same name and strand)
COUNT = 0
RMDB.OUT = 0
while (COUNT < nrow(RMDB)) { # Cycle through all rows of RMDB
COUNT = COUNT + 1
# Is this position a merger start?
# If yes, then returns position in startpt
# which will be the end position in endpt
# If no, returns 0
Merge = match(COUNT,startpt,nomatch=0)
if ( Merge == 0 ){
# No merge starts at this position
RMDB.OUT = rbind(RMDB.OUT,RMDB[COUNT,]) # Append COUNT Row to output
}else{
# Merge COUNT row in RMDB to its endpoint
RMDB.OUT = rbind(RMDB.OUT,
TeMerge(RMDB[COUNT,],RMDB[endpt[Merge],]))
#print(paste('Merging Row',COUNT,' and Row',endpt[Merge]))
COUNT = endpt[Merge] # Move Count to the endpoint
}
}
此脚本准确地给出了我感兴趣的结果，唯一的问题是我的data.frame有5 000 000个条目，并且我想使用一些用于GAP大小的参数进行分析以比较结果.有没有一种方法可以重写此部分代码以提高效率?到此为止的所有内容都将在合理的时间(约数分钟)内运行.这部分已经处理了70万个数据子集3个小时以上.
This script gives exactly the results I am interested in, the only problem is that my data.frame has 5 000 000 entries and I would like to run the analysis using several parameters for GAP size to compare the results. Is there a way which I can rewrite this part of the code to be more efficient? Everything up until this point runs in reasonable amount of time (~couple of minutes). This part of has been going for 3+ hours on a 700 000 subset of the data.
所有情况都在顶部(MIR3)的加标数据.忽略列1:4,8,11:15.
EDIT 3: The spiked data which has all cases at the top (MIR3). Ignore Columns 1:4,8,11:15.
dput(RMDB) 结构(列表(V1 = c(3612L，318L，318L，318L，318L，318L，318L， 318L，318L，318L，318L，318L，318L，318L，741L，444L，741L，407L， 2059L，407L，656L，2058L，257L，4051L，456L，351L，850L，335L， 1000L，1566L，236L，588L，3877L，750L，2292L，783L，747L，666L， 260L，1118L，341L，7010L，320L，7010L，249L，458L，24L，631L， 631L，875L)，V2 = c(11.4，23，23，23，23，23，23，23，23，23， 23、23、23、23、18.7、11.6、24.9、28.8、14.1、28.8、23.6、18.3， 25、7、8.2、23.6、24.9、29.5、13.5、19.4、34.8、17.4、22.9、27.6， 12，26.6，30.4，12.9，38.5，35.4，27.8，19.2，0，17.3，21.2， 19.3，0，3.9，26.6，22.6)，V3 = c(27，3.8，3.8，3.8，3.8，3.8， 3.8、3.8、3.8、3.8、3.8、3.8、3.8、3.8、4.5、0、0、7.3、0.3， 7.3、12.2、4.9、0、0.4、0、1.8、15.1、12.7、0、3.6、3、7.5、14 9.4、0、14.1、4.1、4、1.4、9.4、5.9、2.7、0、9.3、1、0、0、0， 1.8，9.5)，V4 = c(1.3，0，0，0，0，0，0，0，0，0，0，0，0， 0、3.1、1.1、3、0.3、3、3、0、0、0、0、3.6、0.8、2.7、0、2.8， 0.4、0.8、1.6、6.4、0、3.8、3.7、0、0、2.6、1.5、2.5、2.4、1.4， 2，5，0，0，0.6，0.5)，V5 =结构(c(1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L)，.Label ="chr1"，class ="factor")， V6 = c(10469L，20001L，20210L，21000L，21201L，22000L，22201L， 23000L，23201L，20000L，20001L，24001L，24205L，24405L，0L， 30855L，30953L，31293L，31436L，31734L，32841L，33048L，33466L， 33529L，34048L，34451L，34565L，35217L，35367L，37045L，37733L， 38059L，38256L，39465L，39624L，39925L，40333L，40629L，40736L， 41380L，42370L，43243L，44836L，44877L，45887L，46079L，46217L， 46416L，46553L，46893L)，V7 = c(11447L，20200L，20400L，21200L， 21400L，22200L，22400L，23200L，23400L，20001L，20200L，24200L， 24400L，24600L，0L，30952L，31131L，31435L，31733L，31754L， 33037L，33456L，33509L，34041L，34108L，34560L，34921L，35366L， 35499L，37431L，37861L，38191L，39464L，39623L，39924L，40294L， 40626L，40729L，40878L，42285L，42504L，44835L，44876L，45753L， 45987L，46198L，46240L，46493L，46722L，47092L)，V8 =结构(c(38L， 37L，37L，37L，37L，37L，37L，37L，37L，37L，37L，37L，37L， 37L，36L，35L，34L，33L，32L，31L，30L，29L，28L，27L，26L， 25L，24L，23L，22L，21L，20L，19L，18L，17L，16L，15L，14L， 13L，12L，11L，10L，9L，8L，7L，6L，5L，4L，3L，2L，1L)，. Label = c((249203529)"， (249203899)"，(249204128)"，(249204381)"，(249204423)"， (249204634)"，(249204868)"，(249205745)"，(249205786)"， (249208117)"，(249208336)"，(249209743)"，(249209892)"， (249209995)"，(249210327)"，(249210697)"，(249210998)"， (249211157)"，(249212430)"，(249212760)"，(249213190)"， (249215122)"，(249215255)"，(249215700)"，(249216061)"， (249216513)"，(249216580)"，(249217112)"，(249217165)"， (249217584)"，(249218867)"，(249218888)"，(249219186)"， (249219490)"，(249219669)"，(249219773)"，(249235266)"， (249239174)")，类="factor")，V9 =结构(c(2L，1L， 1L，2L，2L，2L，2L，2L，1L，2L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，2L，1L，2L，2L，2L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，2L，2L，2L，1L，1L，1L，1L，1L，1L，1L， 2L，1L，2L)，.Label = c("+"，"C")，class ="factor")，V10 =结构(c(32L， 23L，23L，23L，23L，23L，24L，23L，23L，23L，23L，23L，23L， 23L，34L，33L，27L，26L，1L，26L，22L，12L，5L，14L，13L， 16L，30L，25L，2L，7L，16L，15L，29L，28L，3L，28L，15L， 4L，18L，8L，19L，10L，31L，10L，9L，11L，6L，17L，20L，21L ).Label = c("AluJo"，"AluJr"，"AluSx"，"AluSz6"，"AluYc"， "AT_rich"，"Charlie5"，"ERVL-E-int"，"L1M5"，"L1MA8"，"L1MA9"， "L1MB5"，"L1P1"，"L1PA6"，"L2a"，"L2c"，"LTR12F"，"LTR16C"， "MamRep1527"，"MER45A"，"MER58A"，"MIR"，"MIR3"，"MIR3a"， "MIRb"，"MIRc"，"MLT1A"，"MLT1E1A"，"MLT1E1A-int"，"MLT1J2"， (TAAA)n"，"TAR1"，(TC)n"，"XXXXX")，class ="factor")， V11 =结构(c(10L，13L，13L，13L，13L，13L，13L，13L， 13L，13L，13L，13L，13L，13L，14L，11L，9L，13L，12L，13L， 13L，3L，12L，3L，3L，4L，9L，13L，12L，1L，4L，4L，9L，9L， 12L，9L，4L，12L，8L，8L，6L，3L，11L，3L，3L，3L，5L，7L， 2L，1L)，.Label = c("DNA/hAT-Charlie"，"DNA/hAT-Tip100"， "LINE/L1"，"LINE/L2"，低复杂度"，"LTR"，"LTR/ERV1"， "LTR/ERVL"，"LTR/ERVL-MaLR"，卫星/电话"，"Simple_repeat"， "SINE/Alu"，"SINE/MIR"，"XXXXXXXX")，类="factor")，V12 =结构(c(19L， 5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，2L，9L， 8L，25L，2L，10L，9L，23L，2L，1L，15L，12L，1L，6L，2L， 11L，16L，13L，7L，2L，2L，8L，14L，1L，3L，26L，17L，18L， 9L，21L，22L，24L，2L，4L，27L，20L)，. Label = c((0)"，"1"， (113)"，(115)"，(119)"，(13)"，"131"，"173"，"2"，"218"， "2234"，(231)"，"2705"，"2923"，"2970"，"3242"，"359"，"3715"， (399)"，(4)"，"5306"，"5334"，"5746"，"6167"，"67"，(685)"， "7")，类别=因子")，V13 = c(1712L，143L，143L，143L， 143L，143L，143L，143L，143L，143L，143L，143L，143L，143L， 162L，96L，349L，217L，298L，238L，216L，6174L，44L，6154L， 3030L，3156L，448L，255L，133L，2623L，3375L，2846L，1489L， 172L，301L，666L，3217L，312L，376L，4982L，499L，5305L， 41L，6290L，5433L，6280L，24L，404L，178L，220L)，V14 =结构(c(23L， 24L，24L，24L，24L，24L，24L，24L，24L，24L，24L，24L，24L， 24L，8L，1L，10L，25L，4L，13L，21L，1L，11L，26L，15L，14L， 20L，30L，5L，2L，1L，27L，1L，18L，3L，4L，7L，6L，9L，19L， 22L，29L，1L，2L，28L，16L，1L，17L，1L，12L)，. Label = c((0)"， (1)"，(11)"，(14)"，(179)"，"208"，(209)"，(212)"， "232"，(25)"，(255)"，"3"，(30)"，"3049"，(3116)"，(32)"， "327"，(388)"，"4016"，"41"，(46)"，(470)"，"483"，"49"， (51)"，"5640"，(573)"，(691)"，(838)"，"91")，class ="factor")， V15 = c(2L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L， 5L，22L，23L，22L，24L，25L，24L，26L，27L，28L，29L，30L， 31L，32L，33L，34L，35L，36L，37L，38L，38L，39L，38L，37L， 40L，41L，42L，43L，44L，45L，44L，46L，47L，48L，49L，50L， 51L))，.Names = c("V1"，"V2"，"V3"，"V4"，"V5"，"V6"，"V7"， "V8"，"V9"，"V10"，"V11"，"V12"，"V13"，"V14"，"V15")，类="data.frame"，row.names = c(NA， -50L))
dput(RMDB) structure(list(V1 = c(3612L, 318L, 318L, 318L, 318L, 318L, 318L, 318L, 318L, 318L, 318L, 318L, 318L, 318L, 741L, 444L, 741L, 407L, 2059L, 407L, 656L, 2058L, 257L, 4051L, 456L, 351L, 850L, 335L, 1000L, 1566L, 236L, 588L, 3877L, 750L, 2292L, 783L, 747L, 666L, 260L, 1118L, 341L, 7010L, 320L, 7010L, 249L, 458L, 24L, 631L, 631L, 875L), V2 = c(11.4, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 18.7, 11.6, 24.9, 28.8, 14.1, 28.8, 23.6, 18.3, 25, 7, 8.2, 23.6, 24.9, 29.5, 13.5, 19.4, 34.8, 17.4, 22.9, 27.6, 12, 26.6, 30.4, 12.9, 38.5, 35.4, 27.8, 19.2, 0, 17.3, 21.2, 19.3, 0, 3.9, 26.6, 22.6), V3 = c(27, 3.8, 3.8, 3.8, 3.8, 3.8, 3.8, 3.8, 3.8, 3.8, 3.8, 3.8, 3.8, 3.8, 4.5, 0, 0, 7.3, 0.3, 7.3, 12.2, 4.9, 0, 0.4, 0, 1.8, 15.1, 12.7, 0, 3.6, 3, 7.5, 14, 9.4, 0, 14.1, 4.1, 4, 1.4, 9.4, 5.9, 2.7, 0, 9.3, 1, 0, 0, 0, 1.8, 9.5), V4 = c(1.3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 3.1, 1.1, 3, 0.3, 3, 3, 0, 0, 0, 0, 3.6, 0.8, 2.7, 0, 2.8, 0.4, 0.8, 1.6, 6.4, 0, 3.8, 3.7, 0, 0, 2.6, 1.5, 2.5, 2.4, 1.4, 2, 5, 0, 0, 0.6, 0.5), V5 = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = "chr1", class = "factor"), V6 = c(10469L, 20001L, 20210L, 21000L, 21201L, 22000L, 22201L, 23000L, 23201L, 20000L, 20001L, 24001L, 24205L, 24405L, 0L, 30855L, 30953L, 31293L, 31436L, 31734L, 32841L, 33048L, 33466L, 33529L, 34048L, 34451L, 34565L, 35217L, 35367L, 37045L, 37733L, 38059L, 38256L, 39465L, 39624L, 39925L, 40333L, 40629L, 40736L, 41380L, 42370L, 43243L, 44836L, 44877L, 45887L, 46079L, 46217L, 46416L, 46553L, 46893L), V7 = c(11447L, 20200L, 20400L, 21200L, 21400L, 22200L, 22400L, 23200L, 23400L, 20001L, 20200L, 24200L, 24400L, 24600L, 0L, 30952L, 31131L, 31435L, 31733L, 31754L, 33037L, 33456L, 33509L, 34041L, 34108L, 34560L, 34921L, 35366L, 35499L, 37431L, 37861L, 38191L, 39464L, 39623L, 39924L, 40294L, 40626L, 40729L, 40878L, 42285L, 42504L, 44835L, 44876L, 45753L, 45987L, 46198L, 46240L, 46493L, 46722L, 47092L), V8 = structure(c(38L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 36L, 35L, 34L, 33L, 32L, 31L, 30L, 29L, 28L, 27L, 26L, 25L, 24L, 23L, 22L, 21L, 20L, 19L, 18L, 17L, 16L, 15L, 14L, 13L, 12L, 11L, 10L, 9L, 8L, 7L, 6L, 5L, 4L, 3L, 2L, 1L), .Label = c("(249203529)", "(249203899)", "(249204128)", "(249204381)", "(249204423)", "(249204634)", "(249204868)", "(249205745)", "(249205786)", "(249208117)", "(249208336)", "(249209743)", "(249209892)", "(249209995)", "(249210327)", "(249210697)", "(249210998)", "(249211157)", "(249212430)", "(249212760)", "(249213190)", "(249215122)", "(249215255)", "(249215700)", "(249216061)", "(249216513)", "(249216580)", "(249217112)", "(249217165)", "(249217584)", "(249218867)", "(249218888)", "(249219186)", "(249219490)", "(249219669)", "(249219773)", "(249235266)", "(249239174)"), class = "factor"), V9 = structure(c(2L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 1L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 1L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 1L, 2L), .Label = c("+", "C"), class = "factor"), V10 = structure(c(32L, 23L, 23L, 23L, 23L, 23L, 24L, 23L, 23L, 23L, 23L, 23L, 23L, 23L, 34L, 33L, 27L, 26L, 1L, 26L, 22L, 12L, 5L, 14L, 13L, 16L, 30L, 25L, 2L, 7L, 16L, 15L, 29L, 28L, 3L, 28L, 15L, 4L, 18L, 8L, 19L, 10L, 31L, 10L, 9L, 11L, 6L, 17L, 20L, 21L ), .Label = c("AluJo", "AluJr", "AluSx", "AluSz6", "AluYc", "AT_rich", "Charlie5", "ERVL-E-int", "L1M5", "L1MA8", "L1MA9", "L1MB5", "L1P1", "L1PA6", "L2a", "L2c", "LTR12F", "LTR16C", "MamRep1527", "MER45A", "MER58A", "MIR", "MIR3", "MIR3a", "MIRb", "MIRc", "MLT1A", "MLT1E1A", "MLT1E1A-int", "MLT1J2", "(TAAA)n", "TAR1", "(TC)n", "XXXXX"), class = "factor"), V11 = structure(c(10L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 14L, 11L, 9L, 13L, 12L, 13L, 13L, 3L, 12L, 3L, 3L, 4L, 9L, 13L, 12L, 1L, 4L, 4L, 9L, 9L, 12L, 9L, 4L, 12L, 8L, 8L, 6L, 3L, 11L, 3L, 3L, 3L, 5L, 7L, 2L, 1L), .Label = c("DNA/hAT-Charlie", "DNA/hAT-Tip100", "LINE/L1", "LINE/L2", "Low_complexity", "LTR", "LTR/ERV1", "LTR/ERVL", "LTR/ERVL-MaLR", "Satellite/telo", "Simple_repeat", "SINE/Alu", "SINE/MIR", "XXXXXXXX"), class = "factor"), V12 = structure(c(19L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 2L, 9L, 8L, 25L, 2L, 10L, 9L, 23L, 2L, 1L, 15L, 12L, 1L, 6L, 2L, 11L, 16L, 13L, 7L, 2L, 2L, 8L, 14L, 1L, 3L, 26L, 17L, 18L, 9L, 21L, 22L, 24L, 2L, 4L, 27L, 20L), .Label = c("(0)", "1", "(113)", "(115)", "(119)", "(13)", "131", "173", "2", "218", "2234", "(231)", "2705", "2923", "2970", "3242", "359", "3715", "(399)", "(4)", "5306", "5334", "5746", "6167", "67", "(685)", "7"), class = "factor"), V13 = c(1712L, 143L, 143L, 143L, 143L, 143L, 143L, 143L, 143L, 143L, 143L, 143L, 143L, 143L, 162L, 96L, 349L, 217L, 298L, 238L, 216L, 6174L, 44L, 6154L, 3030L, 3156L, 448L, 255L, 133L, 2623L, 3375L, 2846L, 1489L, 172L, 301L, 666L, 3217L, 312L, 376L, 4982L, 499L, 5305L, 41L, 6290L, 5433L, 6280L, 24L, 404L, 178L, 220L), V14 = structure(c(23L, 24L, 24L, 24L, 24L, 24L, 24L, 24L, 24L, 24L, 24L, 24L, 24L, 24L, 8L, 1L, 10L, 25L, 4L, 13L, 21L, 1L, 11L, 26L, 15L, 14L, 20L, 30L, 5L, 2L, 1L, 27L, 1L, 18L, 3L, 4L, 7L, 6L, 9L, 19L, 22L, 29L, 1L, 2L, 28L, 16L, 1L, 17L, 1L, 12L), .Label = c("(0)", "(1)", "(11)", "(14)", "(179)", "208", "(209)", "(212)", "232", "(25)", "(255)", "3", "(30)", "3049", "(3116)", "(32)", "327", "(388)", "4016", "41", "(46)", "(470)", "483", "49", "(51)", "5640", "(573)", "(691)", "(838)", "91"), class = "factor"), V15 = c(2L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 22L, 23L, 22L, 24L, 25L, 24L, 26L, 27L, 28L, 29L, 30L, 31L, 32L, 33L, 34L, 35L, 36L, 37L, 38L, 38L, 39L, 38L, 37L, 40L, 41L, 42L, 43L, 44L, 45L, 44L, 46L, 47L, 48L, 49L, 50L, 51L)), .Names = c("V1", "V2", "V3", "V4", "V5", "V6", "V7", "V8", "V9", "V10", "V11", "V12", "V13", "V14", "V15"), class = "data.frame", row.names = c(NA, -50L))
这是应用ValidMerge之后的输出.
And here is the output after ValidMerge is applied.
dput(RMDB.OUT) 结构(列表(V1 = c(3612L，NA，NA，318L，318L，318L，318L， 318L，318L，NA，741L，444L，741L，407L，2059L，407L，656L，2058L， 257L，4051L，456L，351L，850L，335L，1000L，1566L，236L，588L， 3877L，750L，2292L，783L，747L，666L，260L，1118L，341L，7010L， 320L，7010L，249L，458L，24L，631L，631L，875L)，V2 = c(11.4， NA，NA，23、23、23、23、23、23，NA，18.7、11.6、24.9、28.8、14.1， 28.8、23.6、18.3、25、7、8.2、23.6、24.9、29.5、13.5、19.4、34.8， 17.4、22.9、27.6、12、26.6、30.4、12.9、38.5、35.4、27.8、19.2， 0，17.3，21.2，19.3，0，3.9，26.6，22.6)，V3 = c(27，NA，NA， 3.8、3.8、3.8、3.8、3.8、3.8，NA，4.5、0、0、7.3、0.3、7.3、12.2， 4.9、0、0.4、0、1.8、15.1、12.7、0、3.6、3、7.5、14、9.4、0， 14.1、4.1、4、1.4、9.4、5.9、2.7、0、9.3、1、0、0、0、1.8、9.5 )，V4 = c(1.3，NA，NA，0，0，0，0，0，0，NA，0，3.1，1.1，3， 0.3、3、3、0、0、0、0、3.6、0.8、2.7、0、2.8、0.4、0.8、1.6， 6.4、0、3.8、3.7、0、0、2.6、1.5、2.5、2.4、1.4、2、5、0、0， 0.6，0.5)，V5 =结构(c(1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L)，. Label ="chr1"，类别="factor")，V6 = c(10469L， 20001L，21000L，22000L，22201L，23000L，23201L，20000L，20001L， 24001L，0L，30855L，30953L，31293L，31436L，31734L，32841L，33048L， 33466L，33529L，34048L，34451L，34565L，35217L，35367L，37045L， 37733L，38059L，38256L，39465L，39624L，39925L，40333L，40629L， 40736L，41380L，42370L，43243L，44836L，44877L，45887L，46079L， 46217L，46416L，46553L，46893L)，V7 = c(11447L，20400L，21400L， 22200L，22400L，23200L，23400L，20001L，20200L，24600L，0L，30952L， 31131L，31435L，31733L，31754L，33037L，33456L，33509L，34041L， 34108L，34560L，34921L，35366L，35499L，37431L，37861L，38191L， 39464L，39623L，39924L，40294L，40626L，40729L，40878L，42285L， 42504L，44835L，44876L，45753L，45987L，46198L，46240L，46493L， 46722L，47092L)，V8 =结构(c(38L，37L，37L，37L，37L，37L， 37L，37L，37L，37L，36L，35L，34L，33L，32L，31L，30L，29L，28L， 27L，26L，25L，24L，23L，22L，21L，20L，19L，18L，17L，16L，15L， 14L，13L，12L，11L，10L，9L，8L，7L，6L，5L，4L，3L，2L，1L)，. Label = c((249203529)"， (249203899)"，(249204128)"，(249204381)"，(249204423)"，(249204634)"， (249204868)"，(249205745)"，(249205786)"，(249208117)"，(249208336)"， (249209743)"，(249209892)"，(249209995)"，(249210327)"，(249210697)"， (249210998)"，(249211157)"，(249212430)"，(249212760)"，(249213190)"， (249215122)"，(249215255)"，(249215700)"，(249216061)"，(249216513)"， (249216580)"，(249217112)"，(249217165)"，(249217584)"，(249218867)"， (249218888)"，(249219186)"，(249219490)"，(249219669)"，(249219773)"， (249235266)"，(249239174)")，class ="factor")，V9 =结构(c(2L， 1L，2L，2L，2L，2L，1L，2L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，2L，1L，2L，2L，2L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 2L，2L，2L，1L，1L，1L，1L，1L，1L，1L，2L，1L，2L)，. Label = c("+"， "C")，类=因子")，V10 =结构(c(32L，23L，23L，23L， 24L，23L，23L，23L，23L，23L，34L，33L，27L，26L，1L，26L，22L， 12L，5L，14L，13L，16L，30L，25L，2L，7L，16L，15L，29L，28L， 3L，28L，15L，4L，18L，8L，19L，10L，31L，10L，9L，11L，6L，17L， 20L，21L)，.Label = c("AluJo"，"AluJr"，"AluSx"，"AluSz6"，"AluYc"， "AT_rich"，"Charlie5"，"ERVL-E-int"，"L1M5"，"L1MA8"，"L1MA9"， "L1MB5"，"L1P1"，"L1PA6"，"L2a"，"L2c"，"LTR12F"，"LTR16C"，"MamRep1527"， "MER45A"，"MER58A"，"MIR"，"MIR3"，"MIR3a"，"MIRb"，"MIRc"，"MLT1A"， "MLT1E1A"，"MLT1E1A-int"，"MLT1J2"，(TAAA)n"，"TAR1"，(TC)n"， "XXXXX")，类=因子")，V11 =结构(c(10L，13L，13L， 13L，13L，13L，13L，13L，13L，13L，14L，11L，9L，13L，12L，13L， 13L，3L，12L，3L，3L，4L，9L，13L，12L，1L，4L，4L，9L，9L，12L， 9L，4L，12L，8L，8L，6L，3L，11L，3L，3L，3L，5L，7L，2L，1L)，. Label = c("DNA/hAT-Charlie"， "DNA/hAT-Tip100"，"LINE/L1"，"LINE/L2"，低复杂度"，"LTR"， "LTR/ERV1"，"LTR/ERVL"，"LTR/ERVL-MaLR"，卫星/远传"，"Simple_repeat"， "SINE/Alu"，"SINE/MIR"，"XXXXXXXX")，类="factor")，V12 =结构(c(19L， NA，NA，5L，5L，5L，5L，5L，5L，NA，2L，9L，8L，25L，2L，10L， 9L，23L，2L，1L，15L，12L，1L，6L，2L，11L，16L，13L，7L，2L， 2L，8L，14L，1L，3L，26L，17L，18L，9L，21L，22L，24L，2L，4L， 27L，20L)，.Label = c((0)"，"1"，(113)"，(115)"，(119)"， (13)"，"131"，"173"，"2"，"218"，"2234"，(231)"，"2705"，"2923"， "2970"，"3242"，"359"，"3715"，(399)"，(4)"，"5306"，"5334"， "5746"，"6167"，"67"，(685)"，"7")，类别=因子")，V13 = c(1712L， NA，NA，143L，143L，143L，143L，143L，143L，NA，162L，96L，349L， 217L，298L，238L，216L，6174L，44L，6154L，3030L，3156L，448L， 255L，133L，2623L，3375L，2846L，1489L，172L，301L，666L，3217L， 312L，376L，4982L，499L，5305L，41L，6290L，5433L，6280L，24L， 404L，178L，220L)，V14 =结构(c(23L，NA，NA，24L，24L，24L， 24L，24L，24L，NA，8L，1L，10L，25L，4L，13L，21L，1L，11L，26L， 15L，14L，20L，30L，5L，2L，1L，27L，1L，18L，3L，4L，7L，6L， 9L，19L，22L，29L，1L，2L，28L，16L，1L，17L，1L，12L)，. Label = c((0)"， (1)"，(11)"，(14)"，(179)"，"208"，(209)"，(212)"，"232"， (25)"，(255)"，"3"，(30)"，"3049"，(3116)"，(32)"，"327"， (388)"，"4016"，"41"，(46)"，(470)"，"483"，"49"，(51)"， "5640"，(573)"，(691)"，(838)"，"91")，class ="factor")， V15 = c(2L，5L，5L，5L，5L，5L，5L，5L，5L，5L，22L，23L， 22L，24L，25L，24L，26L，27L，28L，29L，30L，31L，32L，33L， 34L，35L，36L，37L，38L，38L，39L，38L，37L，40L，41L，42L， 43L，44L，45L，44L，46L，47L，48L，49L，50L，51L)).名称= c("V1"， "V2"，"V3"，"V4"，"V5"，"V6"，"V7"，"V8"，"V9"，"V10"，"V11"， "V12"，"V13"，"V14"，"V15")，类="data.frame"，row.names = c(NA， -46L))
dput(RMDB.OUT) structure(list(V1 = c(3612L, NA, NA, 318L, 318L, 318L, 318L, 318L, 318L, NA, 741L, 444L, 741L, 407L, 2059L, 407L, 656L, 2058L, 257L, 4051L, 456L, 351L, 850L, 335L, 1000L, 1566L, 236L, 588L, 3877L, 750L, 2292L, 783L, 747L, 666L, 260L, 1118L, 341L, 7010L, 320L, 7010L, 249L, 458L, 24L, 631L, 631L, 875L), V2 = c(11.4, NA, NA, 23, 23, 23, 23, 23, 23, NA, 18.7, 11.6, 24.9, 28.8, 14.1, 28.8, 23.6, 18.3, 25, 7, 8.2, 23.6, 24.9, 29.5, 13.5, 19.4, 34.8, 17.4, 22.9, 27.6, 12, 26.6, 30.4, 12.9, 38.5, 35.4, 27.8, 19.2, 0, 17.3, 21.2, 19.3, 0, 3.9, 26.6, 22.6), V3 = c(27, NA, NA, 3.8, 3.8, 3.8, 3.8, 3.8, 3.8, NA, 4.5, 0, 0, 7.3, 0.3, 7.3, 12.2, 4.9, 0, 0.4, 0, 1.8, 15.1, 12.7, 0, 3.6, 3, 7.5, 14, 9.4, 0, 14.1, 4.1, 4, 1.4, 9.4, 5.9, 2.7, 0, 9.3, 1, 0, 0, 0, 1.8, 9.5 ), V4 = c(1.3, NA, NA, 0, 0, 0, 0, 0, 0, NA, 0, 3.1, 1.1, 3, 0.3, 3, 3, 0, 0, 0, 0, 3.6, 0.8, 2.7, 0, 2.8, 0.4, 0.8, 1.6, 6.4, 0, 3.8, 3.7, 0, 0, 2.6, 1.5, 2.5, 2.4, 1.4, 2, 5, 0, 0, 0.6, 0.5), V5 = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = "chr1", class = "factor"), V6 = c(10469L, 20001L, 21000L, 22000L, 22201L, 23000L, 23201L, 20000L, 20001L, 24001L, 0L, 30855L, 30953L, 31293L, 31436L, 31734L, 32841L, 33048L, 33466L, 33529L, 34048L, 34451L, 34565L, 35217L, 35367L, 37045L, 37733L, 38059L, 38256L, 39465L, 39624L, 39925L, 40333L, 40629L, 40736L, 41380L, 42370L, 43243L, 44836L, 44877L, 45887L, 46079L, 46217L, 46416L, 46553L, 46893L), V7 = c(11447L, 20400L, 21400L, 22200L, 22400L, 23200L, 23400L, 20001L, 20200L, 24600L, 0L, 30952L, 31131L, 31435L, 31733L, 31754L, 33037L, 33456L, 33509L, 34041L, 34108L, 34560L, 34921L, 35366L, 35499L, 37431L, 37861L, 38191L, 39464L, 39623L, 39924L, 40294L, 40626L, 40729L, 40878L, 42285L, 42504L, 44835L, 44876L, 45753L, 45987L, 46198L, 46240L, 46493L, 46722L, 47092L), V8 = structure(c(38L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 36L, 35L, 34L, 33L, 32L, 31L, 30L, 29L, 28L, 27L, 26L, 25L, 24L, 23L, 22L, 21L, 20L, 19L, 18L, 17L, 16L, 15L, 14L, 13L, 12L, 11L, 10L, 9L, 8L, 7L, 6L, 5L, 4L, 3L, 2L, 1L), .Label = c("(249203529)", "(249203899)", "(249204128)", "(249204381)", "(249204423)", "(249204634)", "(249204868)", "(249205745)", "(249205786)", "(249208117)", "(249208336)", "(249209743)", "(249209892)", "(249209995)", "(249210327)", "(249210697)", "(249210998)", "(249211157)", "(249212430)", "(249212760)", "(249213190)", "(249215122)", "(249215255)", "(249215700)", "(249216061)", "(249216513)", "(249216580)", "(249217112)", "(249217165)", "(249217584)", "(249218867)", "(249218888)", "(249219186)", "(249219490)", "(249219669)", "(249219773)", "(249235266)", "(249239174)"), class = "factor"), V9 = structure(c(2L, 1L, 2L, 2L, 2L, 2L, 1L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 1L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 1L, 2L), .Label = c("+", "C"), class = "factor"), V10 = structure(c(32L, 23L, 23L, 23L, 24L, 23L, 23L, 23L, 23L, 23L, 34L, 33L, 27L, 26L, 1L, 26L, 22L, 12L, 5L, 14L, 13L, 16L, 30L, 25L, 2L, 7L, 16L, 15L, 29L, 28L, 3L, 28L, 15L, 4L, 18L, 8L, 19L, 10L, 31L, 10L, 9L, 11L, 6L, 17L, 20L, 21L), .Label = c("AluJo", "AluJr", "AluSx", "AluSz6", "AluYc", "AT_rich", "Charlie5", "ERVL-E-int", "L1M5", "L1MA8", "L1MA9", "L1MB5", "L1P1", "L1PA6", "L2a", "L2c", "LTR12F", "LTR16C", "MamRep1527", "MER45A", "MER58A", "MIR", "MIR3", "MIR3a", "MIRb", "MIRc", "MLT1A", "MLT1E1A", "MLT1E1A-int", "MLT1J2", "(TAAA)n", "TAR1", "(TC)n", "XXXXX"), class = "factor"), V11 = structure(c(10L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 14L, 11L, 9L, 13L, 12L, 13L, 13L, 3L, 12L, 3L, 3L, 4L, 9L, 13L, 12L, 1L, 4L, 4L, 9L, 9L, 12L, 9L, 4L, 12L, 8L, 8L, 6L, 3L, 11L, 3L, 3L, 3L, 5L, 7L, 2L, 1L), .Label = c("DNA/hAT-Charlie", "DNA/hAT-Tip100", "LINE/L1", "LINE/L2", "Low_complexity", "LTR", "LTR/ERV1", "LTR/ERVL", "LTR/ERVL-MaLR", "Satellite/telo", "Simple_repeat", "SINE/Alu", "SINE/MIR", "XXXXXXXX"), class = "factor"), V12 = structure(c(19L, NA, NA, 5L, 5L, 5L, 5L, 5L, 5L, NA, 2L, 9L, 8L, 25L, 2L, 10L, 9L, 23L, 2L, 1L, 15L, 12L, 1L, 6L, 2L, 11L, 16L, 13L, 7L, 2L, 2L, 8L, 14L, 1L, 3L, 26L, 17L, 18L, 9L, 21L, 22L, 24L, 2L, 4L, 27L, 20L), .Label = c("(0)", "1", "(113)", "(115)", "(119)", "(13)", "131", "173", "2", "218", "2234", "(231)", "2705", "2923", "2970", "3242", "359", "3715", "(399)", "(4)", "5306", "5334", "5746", "6167", "67", "(685)", "7"), class = "factor"), V13 = c(1712L, NA, NA, 143L, 143L, 143L, 143L, 143L, 143L, NA, 162L, 96L, 349L, 217L, 298L, 238L, 216L, 6174L, 44L, 6154L, 3030L, 3156L, 448L, 255L, 133L, 2623L, 3375L, 2846L, 1489L, 172L, 301L, 666L, 3217L, 312L, 376L, 4982L, 499L, 5305L, 41L, 6290L, 5433L, 6280L, 24L, 404L, 178L, 220L), V14 = structure(c(23L, NA, NA, 24L, 24L, 24L, 24L, 24L, 24L, NA, 8L, 1L, 10L, 25L, 4L, 13L, 21L, 1L, 11L, 26L, 15L, 14L, 20L, 30L, 5L, 2L, 1L, 27L, 1L, 18L, 3L, 4L, 7L, 6L, 9L, 19L, 22L, 29L, 1L, 2L, 28L, 16L, 1L, 17L, 1L, 12L), .Label = c("(0)", "(1)", "(11)", "(14)", "(179)", "208", "(209)", "(212)", "232", "(25)", "(255)", "3", "(30)", "3049", "(3116)", "(32)", "327", "(388)", "4016", "41", "(46)", "(470)", "483", "49", "(51)", "5640", "(573)", "(691)", "(838)", "91"), class = "factor"), V15 = c(2L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 22L, 23L, 22L, 24L, 25L, 24L, 26L, 27L, 28L, 29L, 30L, 31L, 32L, 33L, 34L, 35L, 36L, 37L, 38L, 38L, 39L, 38L, 37L, 40L, 41L, 42L, 43L, 44L, 45L, 44L, 46L, 47L, 48L, 49L, 50L, 51L)), .Names = c("V1", "V2", "V3", "V4", "V5", "V6", "V7", "V8", "V9", "V10", "V11", "V12", "V13", "V14", "V15"), class = "data.frame", row.names = c(NA, -46L))
抱歉，这是简化版本: 初始Data.frame
Edit 4: Sorry about that, here is the simplified version: Initial Data.frame
dput(RMDB.cut)
dput(RMDB.cut)
structure(list(Chromosome = structure(c(1L，1L，1L，1L，1L，1L，
1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L)，. Label ="chr1"，类别="factor")，
开始= c(10469L，20001L，20210L，21000L，21201L，22000L，
22201L，23000L，23201L，20000L，20001L，24001L，24205L，24405L，
0L，30855L，30953L，31293L，31436L，31734L)，结束= c(11447L，
20200L，20400L，21200L，21400L，22200L，22400L，23200L，23400L，
20001L，20200L，24200L，24400L，24600L，0L，30952L，31131L，
31435L，31733L，31754L)，(Left) =结构(c(38L，37L，
37L，37L，37L，37L，37L，37L，37L，37L，37L，37L，37L，37L，
36L，35L，34L，33L，32L，31L)，. Label = c((249203529)"，
(249203899)"，(249204128)"，(249204381)"，(249204423)"，
(249204634)"，(249204868)"，(249205745)"，(249205786)"，
(249208117)"，(249208336)"，(249209743)"，(249209892)"，
(249209995)"，(249210327)"，(249210697)"，(249210998)"，
(249211157)"，(249212430)"，(249212760)"，(249213190)"，
(249215122)"，(249215255)"，(249215700)"，(249216061)"，
(249216513)"，(249216580)"，(249217112)"，(249217165)"，
(249217584)"，(249218867)"，(249218888)"，(249219186)"，
(249219490)"，(249219669)"，(249219773)"，(249235266)"，
(249239174)")，类="factor")，子链=结构(c(2L，
1L，1L，2L，2L，2L，2L，2L，1L，2L，1L，1L，1L，1L，1L，1L，
1L，1L，1L，1L)，. Label = c("+"，"C")，class ="factor")，
repName =结构(c(32L，23L，23L，23L，23L，23L，24L，
23L，23L，23L，23L，23L，23L，23L，34L，33L，27L，26L，1L，
26L)，.Label = c("AluJo"，"AluJr"，"AluSx"，"AluSz6"，"AluYc"，
"AT_rich"，"Charlie5"，"ERVL-E-int"，"L1M5"，"L1MA8"，"L1MA9"，
"L1MB5"，"L1P1"，"L1PA6"，"L2a"，"L2c"，"LTR12F"，"LTR16C"，
"MamRep1527"，"MER45A"，"MER58A"，"MIR"，"MIR3"，"MIR3a"，
"MIRb"，"MIRc"，"MLT1A"，"MLT1E1A"，"MLT1E1A-int"，"MLT1J2"，
(TAAA)n"，"TAR1"，(TC)n"，"XXXXX")，class ="factor")，
ValidMerge = c(FALSE，TRUE，FALSE，TRUE，FALSE，FALSE，FALSE，
FALSE，FALSE，FALSE，FALSE，TRUE，TRUE，FALSE，FALSE，FALSE，
，FALSE，FALSE，FALSE，FALSE)).Names = c("Chromosome"，"Start"，
"End"，((左)"，子线"，"repName"，"ValidMerge")，row.names = c(NA，
20L)，class ="data.frame")
structure(list(Chromosome = structure(c(1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = "chr1", class = "factor"),
Start = c(10469L, 20001L, 20210L, 21000L, 21201L, 22000L,
22201L, 23000L, 23201L, 20000L, 20001L, 24001L, 24205L, 24405L,
0L, 30855L, 30953L, 31293L, 31436L, 31734L), End = c(11447L,
20200L, 20400L, 21200L, 21400L, 22200L, 22400L, 23200L, 23400L,
20001L, 20200L, 24200L, 24400L, 24600L, 0L, 30952L, 31131L,
31435L, 31733L, 31754L), (Left) = structure(c(38L, 37L,
37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L,
36L, 35L, 34L, 33L, 32L, 31L), .Label = c("(249203529)",
"(249203899)", "(249204128)", "(249204381)", "(249204423)",
"(249204634)", "(249204868)", "(249205745)", "(249205786)",
"(249208117)", "(249208336)", "(249209743)", "(249209892)",
"(249209995)", "(249210327)", "(249210697)", "(249210998)",
"(249211157)", "(249212430)", "(249212760)", "(249213190)",
"(249215122)", "(249215255)", "(249215700)", "(249216061)",
"(249216513)", "(249216580)", "(249217112)", "(249217165)",
"(249217584)", "(249218867)", "(249218888)", "(249219186)",
"(249219490)", "(249219669)", "(249219773)", "(249235266)",
"(249239174)"), class = "factor"), Strand = structure(c(2L,
1L, 1L, 2L, 2L, 2L, 2L, 2L, 1L, 2L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L), .Label = c("+", "C"), class = "factor"),
repName = structure(c(32L, 23L, 23L, 23L, 23L, 23L, 24L,
23L, 23L, 23L, 23L, 23L, 23L, 23L, 34L, 33L, 27L, 26L, 1L,
26L), .Label = c("AluJo", "AluJr", "AluSx", "AluSz6", "AluYc",
"AT_rich", "Charlie5", "ERVL-E-int", "L1M5", "L1MA8", "L1MA9",
"L1MB5", "L1P1", "L1PA6", "L2a", "L2c", "LTR12F", "LTR16C",
"MamRep1527", "MER45A", "MER58A", "MIR", "MIR3", "MIR3a",
"MIRb", "MIRc", "MLT1A", "MLT1E1A", "MLT1E1A-int", "MLT1J2",
"(TAAA)n", "TAR1", "(TC)n", "XXXXX"), class = "factor"),
ValidMerge = c(FALSE, TRUE, FALSE, TRUE, FALSE, FALSE, FALSE,
FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, FALSE, FALSE, FALSE,
FALSE, FALSE, FALSE, FALSE)), .Names = c("Chromosome", "Start",
"End", "(Left)", "Strand", "repName", "ValidMerge"), row.names = c(NA,
20L), class = "data.frame")
合并后的输出
dput(RMDB.out.cut)
dput(RMDB.out.cut)
structure(list(Chromosome = structure(c(1L，1L，1L，1L，1L，1L，
1L，1L，1L，1L，1L，1L，1L，1L，1L，1L)..Label ="chr1"，class ="factor")，
开始= c("10469"，"20001"，"21000"，"22000"，"22201"，"23000"，
"23201"，"20000"，"20001"，"24001"，"0"，"30855"，"30953"，
"31293"，"31436"，"31734")，结束= c("11447"，"20400"，"21400"，
"22200"，"22400"，"23200"，"23400"，"20001"，"20200"，"24600"，
"0"，"30952"，"31131"，"31435"，"31733"，"31754")，(Left) =结构(c(38L，
37L，37L，37L，37L，37L，37L，37L，37L，37L，36L，35L，34L，
33L，32L，31L)，.Label = c((249203529)"，(249203899)"，
(249204128)"，(249204381)"，(249204423)"，(249204634)"，
(249204868)"，(249205745)"，(249205786)"，(249208117)"，
(249208336)"，(249209743)"，(249209892)"，(249209995)"，
(249210327)"，(249210697)"，(249210998)"，(249211157)"，
(249212430)"，(249212760)"，(249213190)"，(249215122)"，
(249215255)"，(249215700)"，(249216061)"，(249216513)"，
(249216580)"，(249217112)"，(249217165)"，(249217584)"，
(249218867)"，(249218888)"，(249219186)"，(249219490)"，
(249219669)"，(249219773)"，(249235266)"，(249239174)"
)，class ="factor")，Strand = structure(c(2L，1L，2L，2L，
2L，2L，1L，2L，1L，1L，1L，1L，1L，1L，1L，1L)，. Label = c("+"，
"C")，类="factor")，repName =结构(c(32L，23L，
23L，23L，24L，23L，23L，23L，23L，23L，34L，33L，27L，26L，
1L，26L)，.Label = c("AluJo"，"AluJr"，"AluSx"，"AluSz6"，
"AluYc"，"AT_rich"，"Charlie5"，"ERVL-E-int"，"L1M5"，"L1MA8"，
"L1MA9"，"L1MB5"，"L1P1"，"L1PA6"，"L2a"，"L2c"，"LTR12F"，
"LTR16C"，"MamRep1527"，"MER45A"，"MER58A"，"MIR"，"MIR3"，
"MIR3a"，"MIRb"，"MIRc"，"MLT1A"，"MLT1E1A"，"MLT1E1A-int"，
"MLT1J2"，(TAAA)n"，"TAR1"，(TC)n"，"XXXXX")，类="factor")，
ValidMerge = c(FALSE，TRUE，FALSE，TRUE，FALSE，FALSE，FALSE，
FALSE，FALSE，FALSE，FALSE，TRUE，TRUE，FALSE，FALSE，FALSE
))，.Names = c("Chromosome"，"Start"，"End"，(Left)"，"Strand"，
"repName"，"ValidMerge")，row.names = c("2"，"3"，"4"，"6"，"7"，
"8"，"9"，"10"，"11"，"111"，"15"，"16"，"17"，"18"，"19"，"20"
)，class ="data.frame")
structure(list(Chromosome = structure(c(1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = "chr1", class = "factor"),
Start = c("10469", "20001", "21000", "22000", "22201", "23000",
"23201", "20000", "20001", "24001", "0", "30855", "30953",
"31293", "31436", "31734"), End = c("11447", "20400", "21400",
"22200", "22400", "23200", "23400", "20001", "20200", "24600",
"0", "30952", "31131", "31435", "31733", "31754"), (Left) = structure(c(38L,
37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 37L, 36L, 35L, 34L,
33L, 32L, 31L), .Label = c("(249203529)", "(249203899)",
"(249204128)", "(249204381)", "(249204423)", "(249204634)",
"(249204868)", "(249205745)", "(249205786)", "(249208117)",
"(249208336)", "(249209743)", "(249209892)", "(249209995)",
"(249210327)", "(249210697)", "(249210998)", "(249211157)",
"(249212430)", "(249212760)", "(249213190)", "(249215122)",
"(249215255)", "(249215700)", "(249216061)", "(249216513)",
"(249216580)", "(249217112)", "(249217165)", "(249217584)",
"(249218867)", "(249218888)", "(249219186)", "(249219490)",
"(249219669)", "(249219773)", "(249235266)", "(249239174)"
), class = "factor"), Strand = structure(c(2L, 1L, 2L, 2L,
2L, 2L, 1L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = c("+",
"C"), class = "factor"), repName = structure(c(32L, 23L,
23L, 23L, 24L, 23L, 23L, 23L, 23L, 23L, 34L, 33L, 27L, 26L,
1L, 26L), .Label = c("AluJo", "AluJr", "AluSx", "AluSz6",
"AluYc", "AT_rich", "Charlie5", "ERVL-E-int", "L1M5", "L1MA8",
"L1MA9", "L1MB5", "L1P1", "L1PA6", "L2a", "L2c", "LTR12F",
"LTR16C", "MamRep1527", "MER45A", "MER58A", "MIR", "MIR3",
"MIR3a", "MIRb", "MIRc", "MLT1A", "MLT1E1A", "MLT1E1A-int",
"MLT1J2", "(TAAA)n", "TAR1", "(TC)n", "XXXXX"), class = "factor"),
ValidMerge = c(FALSE, TRUE, FALSE, TRUE, FALSE, FALSE, FALSE,
FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, FALSE, FALSE, FALSE
)), .Names = c("Chromosome", "Start", "End", "(Left)", "Strand",
"repName", "ValidMerge"), row.names = c("2", "3", "4", "6", "7",
"8", "9", "10", "11", "111", "15", "16", "17", "18", "19", "20"
), class = "data.frame")
推荐答案
我认为策略应该是生成另一个称为DoMerge的列-对于R_i的每一行(其中i的范围为1到n-1)，如果DoMerge为TRUE R_i和R_ {i + 1}之间的名称和链匹配，并且R_i的End足够接近R_ {i + 1}的Start(如果正确，则在100以内).根据惯例，第n行的DoMerge为FALSE.直观地讲，DoMerge为TRUE表示将该行与下一行合并是有效的.
I think the strategy should be to generate another column called DoMerge - and for each row R_i (where i ranges 1 to n-1), DoMerge is TRUE if Name and Strand match between R_i and R_{i+1}, and End for R_i is sufficiently close to Start for R_{i+1} (within 100, if that's the right value). DoMerge for row n is FALSE by convention. Intuitively, DoMerge being TRUE means that it is valid to merge that row with the following row.
然后，我们将存在连续TRUE字符串的所有行合并在一起.如果我们同意这是最好的策略，那么我可以为此整理一些快速代码！ :)
Then, we merge together all rows where there is a consecutive string of TRUEs. I can knock up some quick code for that if we agree that's the best strategy! :)
更新:
这里是该任务的代码，假设mydf是信息的数据帧，其列为Name，Strand，Start和End ...下面的输出是您需要合并的起点和终点-尽管只有一次您知道需要合并的地方应该很容易:)
Here's code for the task, assuming that mydf is the data frame of information with columns Name, Strand, Start and End... the output of the below is the start and end points over which you need to merge - though once you know what needs merging it should be a cinch :)
distanceThresh = 100
isSameName=(mydf$Name==c(mydf$Name[-1],"void"))
isSameStrand=(mydf$Strand==c(mydf$Strand[-1],"void"))
isWithinDistance=(c(mydf$Start[-1],max(mydf$End)+2*distanceThresh)
-mydf$End) <= distanceThresh
validMerge = isSameName & isSameStrand & isWithinDistance
fthent=which(!validMerge & c(validMerge[-1],FALSE))
tthenf=which(validMerge & !c(validMerge[-1],TRUE))
startpt = fthent+1; if (validMerge[1]) {startpt=c(1,startpt)}
endpt = tthenf+1
instructions=NULL
for (kk in seq_along(startpt)) {
instructions = c(instructions,
paste("Merge",startpt[kk],"to",endpt[kk],"inclusive",sep=" "))
}
让我知道这一切是否合理！ :)
Let me know if this all makes sense! :)
合并方法(6月8日):
这样的事情怎么样(已经过测试，但是没有对真实数据进行测试)...
How about something like this (has had some testing, but not on the real data)...
doMerge = unlist(mapply(function(x,y) {seq(x,y,1)},startpt,endpt))
doNotMerge = setdiff(seq_along(validMerge),doMerge)
dataMerged=data.frame(Name=RMDB$Name[startpt], Strand=RMDB$Strand[startpt],
Start=RMDB$Start[startpt], End=RMDB$End[endpt],
stringsAsFactors=FALSE)
dataUnmerged=RMDB[doNotMerge,]
基本上，doMerge告诉您需要合并的行(只需设置从每个startpt到对应的endpt的顺序).而doNotMerge是所有其他行(假设validMerge的长度是数据的长度).
Basically doMerge tells you the lines that require merging (just set up a sequence running from each startpt to the corresponding endpt). And doNotMerge is all the other lines (assuming the length of validMerge is the length of the data).
然后dataMerged只是直接构造合并数据的外观-显然Name，Strand和Start是从行startpt继承的，而End是从行endpt继承的. (显然，如果还有其他感兴趣的列，则必须决定它们的来源...)当然，dataMerged中的行数与startpt和endpt的长度匹配.最后，dataUnmerged是所有不符合合并条件的行.
Then dataMerged just constructs directly what the merged data should look like - obviously Name, Strand and Start are inherited from row startpt and End is inherited from row endpt. (If there are other columns of interest, you'll have to decide where they come from, obviously...) The number of rows in dataMerged matches the length of startpt and endpt, of course. Finally, dataUnmerged is all rows that were ineligible for merging.
希望以上所有都是有意义的，并且很显然，如果您组合使用dataMerged和dataUnmerged并重新排序以使所有内容恢复原始顺序(大概有一个索引列可用于此目的)，那么您有理想的结果.
Hopefully the above all makes sense, and it's clear that if you combine dataMerged and dataUnmerged and reorder to get everything back in the original sequence (presumably there's an index column that can be used for this), then you have the desired outcome.
我希望上面的程序确实会非常非常快地运行:)
And I expect the above will run very, very fast indeed :)
这篇关于R中的自定义合并功能的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！
