Эффективный способ перебора двух списков (альтернатива вложенного цикла)

Question

У меня есть два кадра данных, SCR и SpecpecSpecies. Названия предметов в SCR частично содержат виды, перечисленные в Специфических видах.

SpecificSpecies$Species 
S cerevisiae 
Daucus carota 

SCR$MESH_HEADINGS 
tetracycline CMT-3 
zrg17 protein, S cerevisiae 
EP4 glycoprotein, Daucus carota 

Я пытаюсь получить подмножество SCR, содержащее только те записи, которые не имеют соответствующих видов. В приведенном выше случае, этот список будет только

tetracycline CMT-3. 

Как я научился делать это будет с помощью вложенных циклов, сравнивая каждую запись в SCR для каждой записи в SpecificSpecies. Когда совпадение не найдено, добавьте строку SCR в новую таблицу:

For each row in SCR { 
    SpeciesNumber <- 1 
    match <-NULL 
    while ((is.null(match)) & (SpeciesNumber < length(SpecificSpecies$Species))) { 
    if (grepl(SpecificSpecies$Species[SpeciesNumber], SCR[row,]$MESH_HEADING)){ 
    match <- TRUE} 
    SpeciesNumber <- SpeciesNumber + 1} 
    if ((is.null(match) & SpeciesNumber == length(SpecificSpecies$Species)) { 
    speciesNoMatch = rbind(speciesNoMatch, SCR[row])} 
}} 

Но это мучительно медленно с 65000 записей в SCR и около 1500 в SpecificSpecies. Есть ли способ гнездиться, как это, с лапкой? Или какая-то другая функция, которая поможет здесь, с которой я не знаком?

Я уверен, что это ужасный код для начала. Я медицинский библиотекарь, который иногда использует R для анализа данных, поэтому у меня очень ограниченные навыки программирования, но обычно это не имеет значения, являются ли мои решения уродливыми или неэффективными, пока они в конечном итоге работают. Я знаю, что должен быть лучший способ сделать это; простите меня за то, что я не знаю чего-то, что, вероятно, простое решение.

Answer 1

Я думаю !(%in%) будет делать трюк:

SpecificSpecies <- data.frame(
    Species = c("S cerevisiae", "Daucus carota"), 
    stringsAsFactors = FALSE 
) 

SCR <- data.frame(
    MESH_HEADINGS = c("tetracycline CMT-3", "zrg17 protein", "S cerevisiae", 
        "EP4 glycoprotein", "Daucus carota"), 
    stringsAsFactors = FALSE 
) 


SCR[!(SCR$MESH_HEADINGS %in% SpecificSpecies$Species), , drop = FALSE] 
#  MESH_HEADINGS 
# 1 tetracycline CMT-3 
# 2  zrg17 protein 
# 4 EP4 glycoprotein 

, , drop = ... не опечатка. Первый , обеспечивает возврат всех столбцов/переменных. Второй , drop = FALSE гарантирует, что возвращаемый результат по-прежнему является фреймом данных.

Коррекция

Хорошо, я только что заметил, что вы хотите grep с Species. Следующий код должен работать:

SpecificSpecies <- data.frame(
    Species = c("S cerevisiae", "Daucus carota"), 
    stringsAsFactors = FALSE 
) 

SCR <- data.frame(
    MESH_HEADINGS = c("tetracycline CMT-3", 
        "zrg17 protein, S cerevisiae", 
        "EP4 glycoprotein, Daucus carota"), 
    stringsAsFactors = FALSE 
) 

matching <- lapply(SpecificSpecies$Species, function(x) { 
    grep(x, SCR$MESH_HEADINGS) 
}) 

SCR[-(unlist(matching)), ] 
#  MESH_HEADINGS 
# 1 tetracycline CMT-3 

lapply() использует анонимную функцию, чтобы определить шаблон совпадает. Он перемещается по каждому виду и сравнивает его с каждым пунктом SCR$MESH_HEADINGS. Он возвращает список совпадающих индексов.

Подмножество ([]) просто сбрасывает совпадающие индексы (-) после того, как мы сначала установили согласованные индексы, чтобы сделать его совместимым с функцией подмножества.

Answer 2

Основная идея:

Выполнение петли на SpecificSpecies как она имеет меньше строк. Поскольку временная рамка SCR будет уменьшена, сделайте это рекурсивно, поэтому цикл будет работать с меньшим количеством данных каждый раз.

В целом упаковки data.table или plyr увеличить производительность. Здесь решение с data.table

library(data.table) 
SpecificSpecies <- data.frame(Species = c("S cerevisiae", "Daucus carota"),stringsAsFactors = FALSE) 
SCR <- data.frame(MESH_HEADINGS = c("tetracycline CMT-3", "zrg17 protein, S cerevisiae","EP4 glycoprotein Daucus carota"),stringsAsFactors = FALSE) 

dt_temp <- data.table(SCR) 
for (species in SpecificSpecies$Species) { 
    dt_temp <- dt_temp[!grepl(species,dt_temp$MESH_HEADINGS), ] 
} 
dt_result <- dt_temp 
dt_result