如何按列值合并两个物种数据集，保留所有列与NA值？

1. 核心问题：物种名匹配失效 #

merge返回空数据集、筛选无效果，90%的概率是物种名的匹配逻辑出问题，先做以下排查和修复：

• 检查两个数据框中存储物种名的列名是否一致：比如df1列叫Species，df2列叫species_name，merge时没指定by参数会默认匹配所有同名列，自然无法对应。
• 清理物种名格式差异：
  • 大小写不一致：比如"Homo sapiens"和"homo sapiens"
  • 前后空格：比如" Canis lupus"和"Canis lupus"
  • 特殊字符差异：比如"Panthera leo"和"Panthera_leo"

用以下代码快速统一格式：

# 替换成你的物种名列名，比如"Species"
species_col <- "Species"

# 去除前后空格
df1[[species_col]] <- trimws(df1[[species_col]])
df2[[species_col]] <- trimws(df2[[species_col]])

# 统一为大写（或小写，保持一致即可）
df1[[species_col]] <- toupper(df1[[species_col]])
df2[[species_col]] <- toupper(df2[[species_col]])

2. 正确执行全外连接合并 #

解决匹配问题后，用以下方式合并，确保保留所有列、无匹配项填充NA：

方法1：base R原生merge #

merged_df <- merge(df1, df2, by = species_col, all = TRUE)

• by = species_col：明确指定合并依据的列，避免列名不一致导致的错误
• all = TRUE：开启全外连接，保留df1和df2的所有条目，无匹配的列自动填充NA

方法2：dplyr的full_join（更直观） #

library(dplyr)
merged_df <- full_join(df1, df2, by = species_col)

3. 筛选df1独有的物种 #

基于处理后的物种名，用以下两种方式实现：

方法1：dplyr的anti_join #

df1_only <- anti_join(df1, df2, by = species_col)

方法2：base R的%in%运算符 #

df1_only <- df1[!df1[[species_col]] %in% df2[[species_col]], ]

4. 修复行名重复报错问题 #

设置物种名为行名报错，说明数据框中存在重复的物种条目，先处理重复：

• 查看重复的物种记录：

# 列出所有重复的物种条目
duplicated_species <- df1[duplicated(df1[[species_col]]) | duplicated(df1[[species_col]], fromLast = TRUE), ]
print(duplicated_species)

• 处理重复（根据需求选择）：

# 方案1：去重，保留每个物种的第一条记录
df1_unique <- df1[!duplicated(df1[[species_col]]), ]
# 设置行名
rownames(df1_unique) <- df1_unique[[species_col]]

# 方案2：聚合重复数据（比如取数值列的平均值）
df1_aggregated <- df1 %>%
  group_by(across(all_of(species_col))) %>%
  summarise(across(where(is.numeric), mean, na.rm = TRUE), .groups = "drop")

内容的提问来源于stack exchange，提问作者Birdman