Beim Vergleich der beiden (Beispiel-) Datensätze unten versuche ich die Korrelation der Übereinstimmungen pro Spalte zu finden (wobei die NAs ignoriert werden). Ich weiß, dass ich das in einer verschachtelten for-Schleife tun kann, aber das würde den Prozess zu langsam machen, und ich bin unsicher, wie man dies in der data.table vektorisiert macht.Vergleich zweier Datensätze zur Ermittlung der Korrelation
adf <- structure(c(NA, "CT", NA, "CT", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "TC", NA, "GG", NA, "CC", NA, "GG", NA, "TT", NA, "TC", NA, "GG", NA, "CC", NA, "AG", NA, "TT", NA, "TT", NA, "GG", NA, NA, NA, "GG"), .Dim = c(10L, 10L), .Dimnames = list( c("7:100014471", "7:100038150", "7:100056646", "7:100079759", "7:100103260", "7:100129337", "7:100145085", "7:100195980", "7:100227528", "7:100256942"), c("100099681", "101666591", "102247652", "102284616", "103582612", "104344528", "105729734", "109897137", "112768301", "114724443")))
tdf <- structure(c(NA, "CC", NA, "CT", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "TC", NA, NA, NA, NA, NA, "GG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "TT", NA, "CC", NA, NA, NA, NA, NA, "AG", NA, "CT", NA, "TC", NA, "GG", NA, "CC", NA, "GG", NA, "TT", NA, "TC", NA, "GG", NA, "CC", NA, "AG", NA, "TT", NA, "TT", NA, "GG", NA, NA, NA, "GG"), .Dim = c(10L, 10L), .Dimnames = list( c("7:100014471", "7:100038150", "7:100056646", "7:100079759", "7:100103260", "7:100129337", "7:100145085", "7:100195980", "7:100227528", "7:100256942"), c("100099681", "101666591", "102247652", "102284616", "103582612", "104344528", "105729734", "109897137", "112768301", "114724443")))
tdf[1:10, 1:10]
# 100099681 101666591 102247652 102284616 103582612 104344528 105729734 109897137 112768301 114724443
#7:100014471 NA NA NA NA NA NA NA NA NA NA
#7:100038150 "CC" "CT" "TT" "CT" "CT" "CT" "TT" "CT" "TT" "TT"
#7:100056646 NA NA NA NA NA NA NA NA NA NA
#7:100079759 "TC" "TC" "TC" "TC" "CC" "CC" "CC" "TC" "TC" "TT"
#7:100103260 NA NA NA NA NA NA NA NA NA NA
#7:100129337 NA NA NA NA NA NA NA "GG" "GG" "GG"
#7:100145085 NA NA NA NA NA NA NA NA NA NA
#7:100195980 NA NA NA NA NA NA NA "CC" "CC" NA
#7:100227528 NA NA NA NA NA NA NA NA NA NA
#7:100256942 "GG" "AG" "GG" "GG" "AG" "AG" "AG" "GG" "AG" "GG"
adf[1:10, 1:10]
# 100099681 101666591 102247652 102284616 103582612 104344528 105729734 109897137 112768301 114724443
#7:100014471 NA NA NA NA NA NA NA NA NA NA
#7:100038150 "CT" "CT" "TT" "CT" "CT" "CT" "TT" "CT" "TT" "TT"
#7:100056646 NA NA NA NA NA NA NA NA NA NA
#7:100079759 "TC" "TC" "TC" "TC" "CC" "CC" "CC" "TC" "TC" "TT"
#7:100103260 NA NA NA NA NA NA NA NA NA NA
#7:100129337 NA NA NA NA NA NA NA "GG" "GG" "GG"
#7:100145085 NA NA NA NA NA NA NA NA NA NA
#7:100195980 NA NA NA NA NA NA NA "CC" "CC" NA
#7:100227528 NA NA NA NA NA NA NA NA NA NA
#7:100256942 "GG" "AG" "GG" "GG" "AG" "AG" "AG" "GG" "AG" "GG"
Meine erwartete Ausgabe wäre in etwa so sein, nur die Korrelation Reihe wirklich benötigt wird, aber für Illustration/Klarheit habe ich hinzugefügt auch die Spiele/Mismatches.
100099681 101666591 102247652 102284616 103582612 104344528 105729734 109897137 112768301 114724443
matches 2 3 3 3 3 3 3 5 5 5
mismatch 1 0 0 0 0 0 0 0 0 0
cor 0.67 1 1 1 1 1 1 1 1 1