求助：如何在R中合并首尾存在重合的区间数据行

核心需求 #

将同一染色体（chr）下首尾连续重合/重叠的区间行合并，最终保留每个合并组的chr、最小start和最大end。

实现策略 #

有两种可靠的实现方式，可根据你的数据情况和工具偏好选择：

方式1：直接基于区间重叠判断（推荐，无需依赖value列） #

这种方式不依赖可能存在误差的value列，直接通过比较相邻区间的位置关系自动分组合并，逻辑更准确。

Python Pandas 实现

import pandas as pd

# 读取数据（替换为你的文件路径，支持csv/tsv等格式）
df = pd.read_csv("input_data.csv", sep="\t")  # 如果是制表符分隔，用sep="\t"

# 按chr分组，生成组ID：当前区间start > 上一区间end时，标记为新组
df["group_id"] = df.groupby("chr").apply(
    lambda g: (g["start"] > g["end"].shift(1)).cumsum()
).reset_index(drop=True)

# 按chr和组ID聚合，取最小start和最大end
merged_df = df.groupby(["chr", "group_id"]).agg(
    start=("start", "min"),
    end=("end", "max")
).reset_index(drop=True)

# 保存结果
merged_df.to_csv("merged_data.csv", index=False, sep="\t")

Awk 命令行实现（适合大文件快速处理）

创建脚本文件merge_intervals.awk：

BEGIN {
    FS="\t"; OFS="\t"  # 根据实际分隔符调整，比如逗号用FS=","
    prev_chr = ""
    prev_end = -1
    group_start = -1
}

{
    # 处理新染色体
    if ($1 != prev_chr) {
        if (prev_chr != "") {
            print prev_chr, group_start, prev_end
        }
        prev_chr = $1
        group_start = $2
        prev_end = $3
        next
    }
    
    # 同一染色体，判断区间是否重叠
    if ($2 <= prev_end) {
        # 重叠则更新组的最大end
        if ($3 > prev_end) {
            prev_end = $3
        }
    } else {
        # 不重叠则输出上一个组，开始新组
        print prev_chr, group_start, prev_end
        group_start = $2
        prev_end = $3
    }
}

END {
    # 输出最后一个组
    print prev_chr, group_start, prev_end
}

执行命令：

awk -f merge_intervals.awk input_data.tsv > merged_data.tsv

方式2：基于给定的value列分组合并 #

如果确认value列的定义准确（1表示当前行end与下一行start重合，0表示不重合），可以用该列生成分组ID：

import pandas as pd

df = pd.read_csv("input_data.csv", sep="\t")

# 按chr分组，利用value列生成组ID：上一行value为0时，当前行属于新组
df["group_id"] = df.groupby("chr").apply(
    lambda g: (g["value"].shift(1) == 0).fillna(0).cumsum()
).reset_index(drop=True)

# 聚合得到结果
merged_df = df.groupby(["chr", "group_id"]).agg(
    start=("start", "min"),
    end=("end", "max")
).reset_index(drop=True)

merged_df.to_csv("merged_data.csv", index=False, sep="\t")

验证结果 #

针对你提供的示例数据，两种方式都能得到期望的输出：

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