从含非配对样本的数据集中筛选仅含配对样本ID的子集

问题背景 #

现有非配对样本数据集，部分ID同时包含1条对照（control）行和多条样本（Sample）行，部分ID仅含样本或仅含对照。

示例数据集 #

ID  Sample_Type Species
1   Sample      A
1   Sample      B
1   Sample      C
1   Sample      D
2   Sample      A
2   Sample      B
2   Sample      C
2   Sample      D
2   Sample      E
2   Sample      F
2   control     NA
3   sample      B
3   sample      C
3   sample      D
3   sample      E
3   sample      G
3   control     B
4   sample      A
4   sample      B
4   sample      C
4   sample      G
4   sample      J
4   sample      K
5   control     NA

需求说明 #

• 保留同时包含样本与对照的ID对应的所有行（如示例中的ID 2、3）
• 排除仅含样本（ID1、4）或仅含对照（ID5）的行
• 处理大型数据集，不随机抽样、不仅保留单行

原尝试代码（存在错误） #

data2<- data %>% 
  select(ID, Sample_Type, Species) %>% 
  filter(if (data$Sample_Type = "Control" & "Sample") {SiteID = TRUE})

错误分析 #

• 未按ID分组判断，逻辑无法覆盖“同一ID下同时存在两种类型”的核心需求
• 比较运算符误用=而非==，且filter内的if语句写法不符合dplyr语法
• 管道内错误使用data$引用列名，还出现未定义的SiteID变量

修正后的代码 #

方法1：dplyr分组筛选（直观易用） #

library(dplyr)

data2 <- data %>%
  select(ID, Sample_Type, Species) %>%
  # 统一类型字段的大小写，避免大小写差异导致漏判
  mutate(Sample_Type = toupper(Sample_Type)) %>%
  group_by(ID) %>%
  # 筛选出同时包含样本和对照的ID组，保留组内所有行
  filter(all(c("SAMPLE", "CONTROL") %in% Sample_Type)) %>%
  ungroup()

方法2：先提取有效ID再匹配（适合超大型数据集） #

library(dplyr)

# 先筛选出同时包含两种类型的ID
valid_ids <- data %>%
  mutate(Sample_Type = toupper(Sample_Type)) %>%
  distinct(ID, Sample_Type) %>%
  group_by(ID) %>%
  filter(n() == 2) %>%
  pull(ID)

# 用有效ID匹配原数据集，保留所有对应行
data2 <- data %>%
  select(ID, Sample_Type, Species) %>%
  filter(ID %in% valid_ids)

代码说明 #

• toupper(Sample_Type)：统一字段大小写，解决示例中Sample/sample、control/Control的大小写不一致问题
• 方法1通过分组后判断组内是否同时存在两种类型，直接保留符合条件的所有行，逻辑清晰
• 方法2先提取有效ID列表再筛选，减少大型数据集的分组计算开销，效率更高

内容的提问来源于stack exchange，提问作者mbasista