在R中按pathway列合并频次不同的两个数据框

你的需求核心是避免普通合并带来的笛卡尔积，同时保留频次更高的数据框的行数，给缺失匹配的行填充NA。可以通过给每个pathway的重复行添加组内序号，再基于pathway和序号进行精确匹配来实现。

方法一：使用dplyr包（推荐，语法直观） #

步骤： #

1. 为两个数据框按pathway分组，添加组内行号，用于区分同一路径的不同重复行
2. 以df1为基础做左连接，匹配条件为pathway和组内行号
3. 移除临时添加的行号列

代码示例： #

# 加载dplyr包
library(dplyr)

# 构造模拟数据（替换成你的实际数据）
df1 <- data.frame(
  pathway = c(rep("HALLMARK_ADIPOGENESIS", 6), rep("HALLMARK_INFLAMMATORY_RESPONSE", 3)),
  _B1_7486 = rnorm(9)
)

df2 <- data.frame(
  pathway = c(rep("HALLMARK_ADIPOGENESIS", 4), rep("HALLMARK_INFLAMMATORY_RESPONSE", 5)),
  _B1_7534 = rnorm(9)
)

# 给df1添加组内行号
df1_with_id <- df1 %>%
  group_by(pathway) %>%
  mutate(row_id = row_number()) %>%
  ungroup()

# 给df2添加组内行号
df2_with_id <- df2 %>%
  group_by(pathway) %>%
  mutate(row_id = row_number()) %>%
  ungroup()

# 左连接合并，保留df1的所有行
combined_df <- df1_with_id %>%
  left_join(df2_with_id, by = c("pathway", "row_id")) %>%
  select(-row_id) # 删除临时行号列

方法二：使用base R（无需额外安装包） #

如果不想加载dplyr，用base R的ave()函数生成组内行号，再做左连接：

# 构造模拟数据（替换成你的实际数据）
df1 <- data.frame(
  pathway = c(rep("HALLMARK_ADIPOGENESIS", 6), rep("HALLMARK_INFLAMMATORY_RESPONSE", 3)),
  _B1_7486 = rnorm(9)
)

df2 <- data.frame(
  pathway = c(rep("HALLMARK_ADIPOGENESIS", 4), rep("HALLMARK_INFLAMMATORY_RESPONSE", 5)),
  _B1_7534 = rnorm(9)
)

# 添加组内行号
df1$row_id <- ave(rep(1, nrow(df1)), df1$pathway, FUN = seq_along)
df2$row_id <- ave(rep(1, nrow(df2)), df2$pathway, FUN = seq_along)

# 左连接合并
combined_df <- merge(df1, df2, by = c("pathway", "row_id"), all.x = TRUE)
combined_df$row_id <- NULL # 删除临时列

效果说明： #

两种方法都会让HALLMARK_ADIPOGENESIS保留6行，前4行的_B1_7534列有df2对应的值，后2行填充NA；HALLMARK_INFLAMMATORY_RESPONSE保留3行，全部有_B1_7486的值，_B1_7534列则取df2的前3行对应值，完全符合你的需求。

内容的提问来源于stack exchange，提问作者mike ropri