R Tips ：match 函数

R Tips ：match 函数

Introduction

在 R 数据处理和筛选中，有时候需要匹配筛选目标向量或表格，如果是乱序的就更加麻烦一些，R 里的 match 函数为我们提供了便捷的工具，先来看一看用法：

# 查看帮助信息
?match()

英文帮助信息：

Value Matching
Description
match returns a vector of the positions of (first) matches of its first argument in its second.

%in% is a more intuitive interface as a binary operator, which returns a logical vector indicating if there is a match or not for its left operand.

Usage
match(x, table, nomatch = NA_integer_, incomparables = NULL)

x %in% table
Arguments
x
vector or NULL: the values to be matched. Long vectors are supported.

table
vector or NULL: the values to be matched against. Long vectors are not supported.

nomatch
the value to be returned in the case when no match is found. Note that it is coerced to integer.

incomparables
a vector of values that cannot be matched. Any value in x matching a value in this vector is assigned the nomatch value. For historical reasons, FALSE is equivalent to NULL.

可以看到大概的描述：

• 1、match 函数返回第 1 个向量在第 2 个向量中的位置（下标）
• 2、%in% 是一个更直观的二进制操作符，返回一个逻辑变量，此外该操作符就是 match 写成的一个函数：

# %in% is currently defined as:
"%in%" <- function(x, table) {
  match(x, table, nomatch = 0) > 0
}

用法：

# Usage
match(x, table, nomatch = NA_integer_, incomparables = NULL)
x %in% table

参数说明：

• 1、x : 需要匹配的向量，支持长向量
• 2、table : 被匹配的向量，不支持长向量
• 3、nomatch : 没有被匹配的返回值，必须为整数型
• 4、incomparables : 指定不能被匹配的值或向量

测试

先测试两个都是向量：

# 构造两个向量
test1 <- c('A','B','D','F','X','Y')
test2 <- c('A','B','C','D','E','F','G')

# 查看test1在test2中的位置
match(test1,test2)
[1]  1  2  4  6 NA NA
# 指定未匹配上的返回值为0
match(test1,test2,nomatch = 0)
[1] 1 2 4 6 0 0
# 取出匹配上的test1在test2中的值
test2[match(test1,test2)]
[1] "A" "B" "D" "F" NA  NA
# 去除NA，取出匹配上的值
test2[na.omit(match(test1,test2))]
[1] "A" "B" "D" "F"

# %in%使用
test1 %in% test2
[1]  TRUE  TRUE  TRUE  TRUE FALSE FALSE
# 查看test1能够被匹配上的元素个数
sum(test1 %in% test2)
[1] 4
# 取出匹配上的test1在test1中的值
test1[test1 %in% test2]
[1] "A" "B" "D" "F"
# 取出没有匹配上的test1的值
test1[!(test1 %in% test2)]
[1] "X" "Y"
# 取出没有匹配上的test2的值
test2[!(test2 %in% test1)]
[1] "C" "E" "G"

测试向量匹配数据框：

# 构造数据框
dat <- data.frame(name = paste('gene',1:10,sep = '_'),exp = sample(100,10))
dat
      name exp
1   gene_1  14
2   gene_2  61
3   gene_3  40
4   gene_4   5
5   gene_5  91
6   gene_6  24
7   gene_7  65
8   gene_8  98
9   gene_9  92
10  gene_10  78
# 匹配向量
my_gene <- c('gene_3','gene_5','gene_10','gene_12')

# 匹配my_gene在数据框的表达值，行名是下标值
dat[match(my_gene,dat$name),]
      name exp
3   gene_3  40
5   gene_5  91
10 gene_10  78
NA    <NA>  NA
# 去除没有匹配到的NA值
dat[na.omit(match(my_gene,dat$name)),]
      name exp
3   gene_3  40
5   gene_5  91
10 gene_10  78
# 用%in%操作符匹配，注意顺序得反过来，用dat$name匹配my_gene
dat[dat$name %in% my_gene,]
      name exp
3   gene_3  40
5   gene_5  91
10 gene_10  78
# 添加which函数也能达到同样效果
dat[which(dat$name %in% my_gene),]
      name exp
3   gene_3  40
5   gene_5  91
10 gene_10  78
# 取出未匹配上的基因表达值，注意要在括号外加！
dat[!(dat$name %in% my_gene),]
    name exp
1 gene_1  14
2 gene_2  61
4 gene_4   5
6 gene_6  24
7 gene_7  65
8 gene_8  98
9 gene_9  92

综合下来，我感觉操作符 %in% 相对于 match 函数更加简便和人性化一些，返回值不会存在一些 NA，对于数据的匹配和筛选更加快捷和准确。