2个表之间的高级数据匹配

Question

我是R新手，需要处理此问题的建议：

我有2个表。表的开始如下所示：

表1：

SNP    Gene  Pval Best_SNP Best_Pval 
rs2932538 ENSG00000007341 5.6007 
rs10488631 ENSG00000064419 7.7461 
rs12537284 ENSG00000064419 4.5544 
rs3764650 ENSG00000064666 12.3401 
rs10479002 ENSG00000072682 5.0141 
rs6704644 ENSG00000072682 6.2306 
rs2900211 ENSG00000072682 9.9022 

表2：

Best_SNP   Gene  Best_Pval 
rs9028922 ENSG00000007341 10.7892 
rs8233293 ENSG00000064666 89.342 
rs3234432 ENSG00000072682 32.321 
rs2892334 ENSG00000064419 43.235 

表1包含SNP的每个基因的整个列表。表2包含表1中出现的每种基因的最佳SNP和相应的最佳Pval。

我想要做以下事情：匹配表1到表2中的每个基因，然后从表2中复制Best_SNP和Best_Pval并将它们粘贴到表1中的Best_SNP和Best_Pval列中。 棘手的部分是在表1中，每个基因重复一个随机的，不同数量的行。例如，第二个基因ENSG00000064419重复2行，ENSG00000072682重复3行。因此，代码需要通过基因名称进行筛选，并且只对同一个基因拷贝Best_SNP和Best_Pval 一次。

因此，对于基因ENSG00000072682，在3行中，只有第一行看起来包含该基因需要填充Best_SNP和Best_Pval列。我不希望剩下的两行重复请填写Best_SNP和Best_Pval列。可以更轻松地查看每个基因的起始位置和结束位置。

Answer 1

如果我理解正确的问题，这是解决方案：

x <- structure(list(SNP = c("rs2932538", "rs10488631", "rs12537284", "rs3764650", 
"rs10479002", "rs6704644", "rs2900211"), Gene = c("ENSG00000007341", "ENSG00000064419", 
"ENSG00000064419", "ENSG00000064666", "ENSG00000072682", "ENSG00000072682","ENSG00000072682"), 
Pval= c(5.6007, 7.7461, 4.5544, 12.3401, 5.0141, 6.2306, 9.9022)), row.names= c(NA, 7L), class = "data.frame") 

x 
     SNP   Gene Pval 
1 rs2932538 ENSG00000007341 5.6007 
2 rs10488631 ENSG00000064419 7.7461 
3 rs12537284 ENSG00000064419 4.5544 
4 rs3764650 ENSG00000064666 12.3401 
5 rs10479002 ENSG00000072682 5.0141 
6 rs6704644 ENSG00000072682 6.2306 
7 rs2900211 ENSG00000072682 9.9022 

x1 <- x[!(duplicated(x$Gene) | duplicated(x$Gene, fromLast = FALSE)), ] 

x1 
     SNP   Gene Pval 
1 rs2932538 ENSG00000007341 5.6007 
2 rs10488631 ENSG00000064419 7.7461 
4 rs3764650 ENSG00000064666 12.3401 
5 rs10479002 ENSG00000072682 5.0141 

y <- structure(list(Best_SNP = c("rs9028922", "rs8233293", "rs3234432", "rs2892334"), Gene = c("ENSG00000007341", "ENSG00000064666", 
"ENSG00000072682", "ENSG00000064419"), 
Best_Pval= c(10.7892, 89.342, 32.321, 43.235)), row.names= c(NA, 4L), class = "data.frame") 

y 
    Best_SNP   Gene Best_Pval 
1 rs9028922 ENSG00000007341 10.7892 
2 rs8233293 ENSG00000064666 89.3420 
3 rs3234432 ENSG00000072682 32.3210 
4 rs2892334 ENSG00000064419 43.2350 


merge(x1, y, by="Gene", all= FALSE) 

      Gene  SNP Pval Best_SNP Best_Pval 
1 ENSG00000007341 rs2932538 5.6007 rs9028922 10.7892 
2 ENSG00000064419 rs10488631 7.7461 rs2892334 43.2350 
3 ENSG00000064666 rs3764650 12.3401 rs8233293 89.3420 
4 ENSG00000072682 rs10479002 5.0141 rs3234432 32.3210