循环转换Dataframe：模块基因表达均值计算的代码问题

我有一个gene_express数据框，包含基因及各样本表达量，另有Module_list存储多模块的基因集合。我编写循环代码试图计算每个模块在各样本中对应基因表达量的均值，但输出结果不符合预期，期望生成以模块为行、样本为列，值为对应均值的DataFrame。

表达量数据框与模块列表 #

set.seed(123) # 加入随机种子确保结果可复现
gene_express = data.frame(gene = c('gene1', 'gene2', 'gene3', 'gene4', 'gene5', 'gene6', 'gene7', 'gene8', 'gene9', 'gene10'), 
                      sample1 = sample(0:10,10), sample2 = sample(0:10,10), sample3 = sample(0:10,10), sample4 = sample(0:10,10), row.names =1) 
module1 = c('gene1', 'gene2', 'gene10', 'gene8')
module2 = c('gene2', 'gene9', 'gene6', 'gene5', 'gene10')
module3 = c('gene4', 'gene10', 'gene1', 'gene8')
module4 = c('gene5', 'gene8', 'gene2', 'gene7', 'gene6', 'gene5', 'gene10')
Module_list = list(module1, module2, module3, module4)
names(Module_list) <- c('module1', 'module2', 'module3', 'module4')

原错误代码 #

MASM_mat  = data.frame()
for(module in names(Modules)){
   module_genes = modules[[module]]
   for(column in colnames(gene_express)){
     module_mean  = gene_express[rownames(gene_express) %in% module_gene, ] %>% pull(column) %>% summary()
     module_mean = module_mean[[4]] #this the mean
     module_mean_table = data.frame(module, module_mean) %>% `colnames<-` (c('Module', column))
     MASM_mat = merge(MASM_mat,MASM, all=T)
     }}

代码问题分析 #

1. 变量名不匹配：原代码中误用Modules/modules，实际变量名为Module_list；module_gene应为module_genes；合并时的MASM应为module_mean_table。
2. 均值计算冗余：通过summary()取第4个值获取均值完全没必要，直接用mean()函数更简洁准确。
3. 合并逻辑错误：循环中用merge逐列合并会导致数据结构混乱，无法生成“模块为行、样本为列”的格式。
4. 重复基因未处理：部分模块存在重复基因（如module4中的gene5），计算均值时需先去重避免重复计算。

修正方案 #

方案1：修正循环逻辑 #

# 初始化结果数据框
MASM_mat = data.frame(Module = character(), stringsAsFactors = FALSE)

# 遍历每个模块
for(module_name in names(Module_list)){
  # 获取当前模块的基因并去重
  module_genes = unique(Module_list[[module_name]])
  # 筛选当前模块的基因表达数据
  expr_subset = gene_express[rownames(gene_express) %in% module_genes, ]
  # 计算每个样本的均值
  sample_means = colMeans(expr_subset)
  # 转成数据框并添加模块名
  module_result = data.frame(Module = module_name, t(sample_means), stringsAsFactors = FALSE)
  # 合并到最终结果
  MASM_mat = rbind(MASM_mat, module_result)
}

# 可选：设置行名为模块名
rownames(MASM_mat) = MASM_mat$Module
MASM_mat$Module = NULL

方案2：用purrr+dplyr高效实现（推荐） #

library(dplyr)
library(purrr)

# 遍历模块列表，批量计算每个模块的样本均值
MASM_mat = map_dfr(Module_list, function(genes){
  gene_express %>%
    filter(rownames(.) %in% unique(genes)) %>%
    colMeans() %>%
    t() %>%
    as.data.frame()
}, .id = "Module")

# 可选：设置行名为模块名
rownames(MASM_mat) = MASM_mat$Module
MASM_mat$Module = NULL

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