如何合并行数不同的多份DataFrame/TXT文件的TPM列

核心思路 #

通过purrr批量读取并预处理文件，提取Gene_Id和TPM列并给TPM列赋予唯一标识，再用dplyr的连接函数按Gene_Id精准匹配合并，完全避免行错位问题。

具体步骤与代码 #

1. 加载依赖包 #

library(tidyverse)

2. 获取所有目标TXT文件路径 #

假设所有文件都存在当前工作目录的data子文件夹下，后缀为.txt：

txt_files <- list.files(path = "data", pattern = "\\.txt$", full.names = TRUE)

如果文件直接在当前目录，去掉path = "data"即可。

3. 批量读取并预处理数据 #

写一个自定义函数，读取单个文件后只保留关键列，同时给TPM列重命名为文件名（去掉后缀），避免列名重复：

process_single_file <- function(file_path) {
  # 提取文件名作为样本标识
  sample_label <- str_remove(basename(file_path), "\\.txt$")
  
  # 读取文件，仅保留Gene_Id和TPM列，并重命名TPM列
  read_delim(file_path, delim = "\t") %>%  # 假设是制表符分隔，根据实际修改delim
    select(Gene_Id, TPM) %>%
    rename(!!sample_label := TPM)
}

# 批量处理所有文件，得到数据框列表
df_collection <- map(txt_files, process_single_file)

提示：如果你的文件分隔符不是制表符，把delim换成对应符号（比如逗号","）；如果TPM列名不是精确的TPM，替换成实际列名即可。

4. 按Gene_Id合并所有数据 #

用reduce结合full_join，逐个合并列表中的数据框，所有出现过的Gene_Id都会被保留，不存在的TPM值自动补NA：

merged_tpm_matrix <- df_collection %>%
  reduce(full_join, by = "Gene_Id")

• 若只需要保留所有文件共有的Gene_Id，把full_join换成inner_join
• 若想以第一个文件的Gene_Id为基准，用left_join

5. （可选）验证数据正确性 #

可以快速检查合并结果的维度，或随机抽查几个Gene_Id的匹配情况：

# 查看合并后的数据规模
dim(merged_tpm_matrix)

# 抽查特定Gene_Id的所有TPM值
merged_tpm_matrix %>% filter(Gene_Id == "ENSG00000130203")

关键注意事项 #

• Gene_Id唯一性：每个输入文件中的Gene_Id必须唯一，否则合并会出现重复行。若存在重复，可在预处理时加distinct(Gene_Id, .keep_all = TRUE)去重
• 列名唯一性：必须给每个TPM列赋予唯一标识（比如样本名），否则会因列名重复报错
• 分隔符匹配：读取文件时务必使用正确的分隔符，否则会导致列错位

内容的提问来源于stack exchange，提问作者Desmodus1984