如何在保留数据框完整性时检查基因列表是否存在于复杂格式列中

问题原因 #

你之前用%in%直接匹配失败，是因为数据框1的目标列每个元素是用//、///分隔的复合字符串，%in%只会匹配完整字符串，无法识别其中的单个基因条目。

方案1：给数据框2添加列，标记每个基因是否存在于数据框1中 #

先从数据框1的复合列里提取所有单个基因，再做匹配：

# 加载stringr包处理字符串
library(stringr)

# 从数据框1目标列提取所有去重的单个基因
df1_all_genes <- GSE20069_GPL6246.character[,1] %>%
  str_replace_all("///", "//") %>%  # 统一分隔符为//
  str_split("\\s*//\\s*") %>%      # 按//拆分，忽略前后空格
  unlist() %>%                     # 转为一维向量
  unique() %>%                     # 去重
  trimws()                         # 清除基因前后空格

# 给数据框2新增匹配结果列
gene.character$GSE20069_GPL6246 <- gene.character$list %in% df1_all_genes

方案2：给数据框1添加列，标记该行是否包含数据框2中的任意基因 #

如果需要保留数据框1的完整结构，同时标记每行是否有目标基因：

library(dplyr)
library(stringr)

# 提取数据框2的基因列表
target_genes <- gene.character$list %>% trimws()

# 给数据框1新增匹配列
GSE20069_GPL6246.character <- GSE20069_GPL6246.character %>%
  mutate(has_target_gene = str_detect(.[,1], paste(target_genes, collapse = "|")))

内容的提问来源于stack exchange，提问作者driver