Analysieren von Datenrahmen basierend auf einem anderen Datenrahmen? (? Zelle für Zelle)

Question

Ich habe einen Datenrahmen ‚clinDF‘, die ich habe auf einer anderen zur Aktualisierung basiert, ‚parsingDF‘, durch R. Lassen Sie uns sagen:

#clinDF 
    P1 P2 P3 P4 
A M F M M 
B H M L M 
C 3 4 1 0 

#parsingDF 
    feat var col 
[1] A  M #B3E2CD 
[2] A  F #E41A1C 
[3] B  H #A6CEE3 
[4] B  M #FCCDE5 
[5] B  L #8DD3C7 
[6] C  0 #BC80BD 
[7] C  1 #A6CEE3 
[8] C  3 #B3E2CD 
[9] C  4 #E41A1C 

Mein Ziel ist es clinDF so zu analysieren, dass ich bekomme die entsprechende col:

#out: 
    P1  P2  P3  P4 
A #B3E2CD #E41A1C #B3E2CD #B3E2CD 
B #A6CEE3 #FCCDE5 #8DD3C7 #FCCDE5 
C #B3E2CD #E41A1C #A6CEE3 #BC80BD 

Idealerweise weise~~POS=HEADCOMP möchte ich den Code so allgemein wie möglich sein und nicht alle in clinDF Wechsel von clinDF[clinDF==3]=#B3E2CD Einstellung. Gibt es einen besseren Weg, dies zu tun, als mit zwei for Schleifen, Zeile für Zeile und Spalte für Spalte zu lesen?

Vielen Dank im Voraus

Answer 1

Hier ist meine Lösung ~

library(Reshape) 
library(Reshape2) 
    Table1=melt(as.matrix(clinDF)) 
    Table1=merge(Table1,parsingDF,by.x=c('X1','value'),by.y=c('feat','var'),all.x=T) 
    dcast(Table1, X1~X2, value.var="col") 

    X1 P1  P2  P3  P4 
1 A #B3E2CD #E41A1C#B3E2CD #B3E2CD 
2 B #A6CEE3 #FCCDE5 #8DD3C7 #FCCDE5 
3 C#B3E2CD #E41A1C#A6CEE3 #BC80BD 

Answer 2

wir dies mit data.table tun können. Da beide Datasets Matrizen sind, melt das "clinDF" zu "long" -Format, zu data.table konvertieren(), beitreten on die 'feat/var' 'Var1/Wert' Spalten des Datasets und umformen es zurück zu 'Wide' reshape2 Format mit acast von

library(data.table) 
library(reshape2) 
dM <- melt(clinDF) 
setDT(dM) 
acast(as.data.table(parsingDF)[dM, on = .(feat = Var1, var = value)], 
       feat ~ Var2, value.var = 'col') 
#  P1  P2  P3  P4  
#A "#B3E2CD" "#E41A1C" "#B3E2CD" "#B3E2CD" 
#B "#A6CEE3" "#FCCDE5" "#8DD3C7" "#FCCDE5" 
#C "#B3E2CD" "#E41A1C" "#A6CEE3" "#BC80BD" 

Answer 3

Hier ist eine Lösung Funktionen von tidyverse verwenden. clinDF2 wäre die endgültige Ausgabe.

# Create example dataframes 
clinDF <- read.table(text = " P1 P2 P3 P4 
A M F M M 
        B H M L M 
        C 3 4 1 0", 
        header = TRUE, stringsAsFactors = FALSE) 

parsingDF <- read.table(text = "feat var col 
A  M '#B3E2CD' 
A  F '#E41A1C' 
B  H '#A6CEE3' 
B  M '#FCCDE5' 
B  L '#8DD3C7' 
C  0 '#BC80BD' 
C  1 '#A6CEE3' 
C  3 '#B3E2CD' 
C  4 '#E41A1C'", 
         header = TRUE, stringsAsFactors = FALSE) 

# Load packages 
library(tidyverse) 

# Process the data 
clinDF2 <- clinDF %>% 
    rownames_to_column("feat") %>% 
    gather(Group, var, -feat) %>% 
    left_join(parsingDF, by = c("feat", "var")) %>% 
    select(-var) %>% 
    spread(Group, col) %>% 
    remove_rownames() %>% 
    column_to_rownames("feat")