Неожиданный отказ от соответствия строкам символов из двух списков в R

Question

У меня есть два кадра данных: SCR и matchSCSC. Каждый из них содержит список заголовков белков. matledSCR - это подмножество SCR, созданное непосредственно из SCR. Строки для заголовков белков matchedSCR должны, таким образом, быть идентичны их аналогам в SCR и быть в состоянии служить в качестве индекса, который связывает их. Однако, когда я пытаюсь сопоставить записи, только небольшая их часть соответствует независимо от того, какой метод я использую. Ниже всего около 6000 из того, что должно быть 17000 записей.

subset(SCR, (SCR$MESH_HEADING %in% matchedSCR$Heading)) 
SCR[SCR$MESH_HEADING %in% matchedSCR$Heading, ] 
sqldf("select * from SCR join matchedSCR on SCR.MESH_HEADING=matchedSCR.Heading") 

Что такое безумие в том, что я могу найти недостающую строку и сопоставить ее вручную!

if(SCR$MESH_HEADING[64] == matchedSCR$Heading[2]) {print("T")} 
[1] "T" 

Matching SCR к другому подмножеству dataframe, orthologSCR, созданный почти точно так же, как с ОПЗ, работает отлично, поэтому я предполагаю, что проблема как-то с matchedSCR, но я не могу понять, почему. Это всего лишь один столбец символов (не факторов), таких как:

VisA protein, Streptomyces virginiae 
VisB protein, Streptomyces virginiae 
VisC protein, Streptomyces virginiae 
VisD protein, Streptomyces virginiae 
subpeptin JM-A, Bacillus subtilis 
subpeptin JM-B, Bacillus subtilis 
BT peptide antibiotic, Brevibacillus texasporus 
LI-Fb peptide, Paenibacillus polymyxa 

Может ли кто-нибудь предложить причины, по которым эти сравнения символов могут быть неудачными? Не могли бы специальные персонажи по каким-то причинам разобраться в этом? (Они, похоже, не имеют значения при сопоставлении с другим фреймом данных подмножества, который работает.) Мне действительно нужны непревзойденные данные из SCR. Я могу сгенерировать это прямо сейчас с невероятно медленным процессом, основанным на противоположности сложного выбора, который создал matchedSCR, но мне бы очень хотелось узнать из ошибки, которую я получаю, поэтому я не встречаюсь с этим снова.

Answer 1

Вы можете быть иметь некоторые белые символы до или после того, как ... вы можете попробовать: How to trim leading and trailing whitespace in R?

Также вы можете попробовать преобразовать все в нижний регистр. Вы можете сделать это с помощью библиотеки tm.

Наверное, лучше всего делать в вашем случае просто чтобы посмотреть, что происходит это:

library(dplyr) SCR$Heading <- SCR$MESH_HEADING full_join(SCR,matchedSCR, by=Heading) %>% View

Исследовать, что ФР и посмотреть, какие матчи были сделаны, и которые не были ... что будет поможет вам понять проблему. Вы также можете попробовать anti_join, чтобы увидеть только непревзойденные записи.

худший случай, проверить https://cran.r-project.org/web/packages/fuzzyjoin/fuzzyjoin.pdf