在R语言中合并两个CSV文件时遇匹配失败问题求助

问题根源 #

你遇到的NA是因为两个文件的target_id无法匹配：

• file1中同时包含基因ID（ENSG开头）和转录本ID（ENST开头）
• file2只有转录本ID（ENST开头）
  当用target_id合并时，file1里的ENSG条目在file2中找不到对应匹配，因此file2的列全部显示为NA。而你期望的是基因层面的合并结果，需要先建立转录本与基因的关联，再汇总表达数据。

解决步骤 #

1. 提取转录本-基因映射关系 #

从file1中筛选出转录本（ENST开头）的条目，得到每个转录本对应的基因名称：

# 筛选ENST开头的转录本行，保留target_id和gene_name列
tx_gene_map <- file1[grepl("^ENST", file1$target_id), c("target_id", "gene_name")]

2. 合并转录本表达数据与基因映射 #

把上述映射表和file2的表达数据合并，得到带基因标签的转录本表达数据：

tx_expr_with_gene <- merge(tx_gene_map, file2, by = "target_id", all.y = TRUE)

3. 按基因汇总表达数据 #

由于一个基因对应多个转录本，需要按基因名称对表达列进行汇总（这里以求和为例，可根据需求替换为mean等函数）：

# 按gene_name分组，汇总length、eff_length等表达列
gene_expr <- aggregate(cbind(length, eff_length, est_counts, tpm) ~ gene_name,
                      data = tx_expr_with_gene,
                      FUN = sum)

4. 关联基因ID与汇总数据 #

如果需要保留基因ID（ENSG开头），从file1中提取基因ID与基因名称的映射，再和汇总后的表达数据合并：

# 筛选ENSG开头的基因ID行，保留target_id（基因ID）和gene_name列
gene_id_map <- file1[grepl("^ENSG", file1$target_id), c("target_id", "gene_name")]

# 合并基因ID与表达数据，并调整列顺序为你期望的格式
final_data <- merge(gene_id_map, gene_expr, by = "gene_name", all.x = TRUE)
final_data <- final_data[, c("target_id", "gene_name", "length", "eff_length", "est_counts", "tpm")]

最终效果 #

运行上述代码后，你会得到类似你期望的基因层面合并结果，每个基因一行，包含基因ID、基因名称和对应的表达汇总数据。

内容的提问来源于stack exchange，提问作者John