R语言中根据数据框的顺序进行筛选的示例分析

目的

这里有两个数据框，两者有相同的列（ID），这里想把第一个数据框，按照第二个数据框的ID列进行提取，顺序和第二个数据框一致。

数据框1

> tt = data.frame(id = 1:10,y = rnorm(10))
> tt
   id          y
1   1  0.7264999
2   2 -1.3817018
3   3 -0.8626703
4   4  2.0663756
5   5  0.1997253
6   6  0.5968497
7   7 -0.8836847
8   8  2.2224643
9   9 -1.5825250
10 10 -0.1530456

数据框2

> id = data.frame(id = c(2,1,5,4,3))
> id
  id
1  2
2  1
3  5
4  4
5  3

错误的方法：用%in%进行提取，会自动排序

> # 使用 %in% 进行匹配时，会自动排序，不是id的顺序
> tt[tt$id %in% id$id,]
  id          y
1  1  0.7264999
2  2 -1.3817018
3  3 -0.8626703
4  4  2.0663756
5  5  0.1997253
> id
  id
1  2
2  1
3  5
4  4
5  3

可以看到，匹配后的顺序为1,2,3,4,5，而不是原来的2,1,5,4,3

正确的方法：用match记录位置，然后根据位置提取

> # 使用match可以达到目的
> loc = match(id$id,tt$id)
> loc
[1] 2 1 5 4 3
> tt[loc,]
  id          y
2  2 -1.3817018
1  1  0.7264999
5  5  0.1997253
4  4  2.0663756
3  3 -0.8626703

结论：match真香

「完整代码：」

# 模拟两个数据框
tt = data.frame(id = 1:10,y = rnorm(10))
tt
id = data.frame(id = c(2,1,5,4,3))
id

# 使用 %in% 进行匹配时，会自动排序，不是id的顺序
tt[tt$id %in% id$id,]
id

# 使用match可以达到目的
loc = match(id$id,tt$id)
loc
tt[loc,]

我的翻车记录

本来我是有两个系谱文件，第一个系谱文件比较多，但是有错误。第二个系谱文件是第一个系谱文件的子集，它的系谱是正确的。我想将第一个系谱文件错误的系谱矫正一下。

「我的思路：」

1，用%in%将第一个系谱的ID，根据第二个系谱的ID提取出来，然后用第二个系谱的Sire和Dam把第一个系谱相应的IID的Sire和Dam替换掉。如果第二个系谱本身是排序的，那么这样操作是没问题的。

「潜在的bug」

如果第二个系谱不是按顺序排的，那么上面的操作就会有错误。比如类似（2，1，4，3，5），在匹配后的顺序是（1，2，3，4，5），你用（1，2，3，4，5）的父母本，替换为（2，1，5，3，5）的父母本，肯定是错误的。