R语言中基于另一数据框字符串部分匹配筛选数据框列的问题

问题原因 #

你遇到的问题是因为%in%执行的是完全字符串匹配：df1中PIK3CD是与TMEM201通过分号;连接成的复合字符串，而df2中的PIK3CD是单独的字符串，两者无法通过完全匹配命中，导致筛选结果为空。

解决方案 #

以下两种方法可以解决这个问题：

方法1：拆分复合基因条目后匹配

先把df1中用分号分隔的基因拆分为独立行，再进行匹配，可按需保留原格式或拆分后格式：

# 若未安装tidyverse，先执行 install.packages("tidyverse")
library(tidyverse)

# 方式1：保留原df1的行结构，筛选包含df2基因的条目
df1_common_df2 <- df1 %>%
  filter(str_detect(gene, paste(df2$gene, collapse = "|")))

# 方式2：拆分后得到单独基因的匹配结果
df1_split <- df1 %>%
  separate_rows(gene, sep = ";")
df1_split_common_df2 <- df1_split %>%
  filter(gene %in% df2$gene)

方法2：正则表达式精准部分匹配

用正则表达式确保匹配的是完整的基因名称（避免误匹配类似PIK3CD1这类包含目标基因的字符串）：

# 构建正则模式：匹配以分号开头/结尾，或字符串首尾的目标基因
match_regex <- paste0("(^|;)", paste(df2$gene, collapse = "($|;)|(^|;)"), "($|;)")

# 筛选符合条件的行
df1_common_df2 <- subset(df1, grepl(match_regex, df1$gene))

验证结果 #

执行上述任意方法后，df1_common_df2会包含TMEM201;PIK3CD这条观测值，符合预期。

内容的提问来源于stack exchange，提问作者John Fistikis