基于R语言数据框列的部分字符串匹配创建新变量问题排查

错误原因分析 #

你原代码的问题出在paste(variable)这一步：它会把当前Gene分组下的所有variable值拼接成单个字符串，只要这个拼接后的字符串里包含"i13"（哪怕只有一个样本符合），grep()就会返回至少一个匹配位置，sum()结果必然大于0，导致所有分组都被赋值为"yes"，完全失去了分组判断的意义。

正确解决方案 #

我们需要逐个检查每个variable元素是否包含目标字符串，再判断分组内是否存在匹配项，以下是两种可靠实现方式：

方法1：使用stringr::str_detect（tidyverse风格） #

先将你提供的宽格式数据转换为要求的Gene、variable、value长格式，再进行分组判断：

library(tidyverse)

# 宽转长，生成符合要求的df_long
df_long <- df %>%
  rownames_to_column("Gene") %>%
  pivot_longer(cols = -Gene, names_to = "variable", values_to = "value")

# 新增light_exposure列
df_long <- df_long %>%
  group_by(Gene) %>%
  mutate(light_exposure = if_else(any(str_detect(variable, "i13")), "yes", "no")) %>%
  ungroup()

方法2：使用base R的grepl（无需额外加载stringr） #

如果习惯用base R的字符串函数，也可以这样写：

df_long <- df_long %>%
  group_by(Gene) %>%
  mutate(light_exposure = if_else(any(grepl("i13", variable)), "yes", "no")) %>%
  ungroup()

验证结果 #

执行以下代码查看每个基因的分组判断结果：

df_long %>%
  distinct(Gene, light_exposure)

你提供的示例数据中所有基因都对应了包含"i13"的样本，因此结果全为"yes"；若某基因的所有样本都不含"i13"，则会正确返回"no"。

内容的提问来源于stack exchange，提问作者Alehman