在R中检查多个数据框的公共ID并生成统计矩阵

需求说明 #

拥有多个共享ID列的DataFrame，需检查任意两两之间是否存在公共ID，生成矩阵：无公共ID的位置值为0；同时合并所有DataFrame后发现存在重复ID，需定位重复来源。

步骤实现 #

1. 准备示例数据

dfs <- list(
  DB07 = data.frame(ID = c("A548480901", "A548480902", "A548480903",
                           "A548480904", "A548560901", "A548560902")), 
  DB08 = data.frame(ID = c("A448440901", "A448440902", "A448680102",
                           "A448680501", "A448680502", "A448680503"))
)

2. 提取各DataFrame的唯一ID集合

先提取每个DataFrame的唯一ID，避免单DataFrame内的重复ID干扰跨表判断：

id_sets <- lapply(dfs, function(x) unique(x$ID))

3. 生成公共ID数量矩阵

矩阵中每个位置的值为对应两个DataFrame的公共ID数量，无公共ID则为0：

# 生成对比矩阵
compare_matrix <- outer(names(id_sets), names(id_sets), 
                        function(a, b) sapply(seq_along(a), function(i) {
                          length(intersect(id_sets[[a[i]]], id_sets[[b[i]]]))
                        }))

# 设置行列名
rownames(compare_matrix) <- names(id_sets)
colnames(compare_matrix) <- names(id_sets)

运行后得到的矩阵示例：

DB07 DB08
DB07    6    0
DB08    0    6

4. 可选：生成存在性标记矩阵

若只需标记是否存在公共ID（1=存在，0=不存在），可修改代码：

exist_matrix <- outer(names(id_sets), names(id_sets), 
                      function(a, b) sapply(seq_along(a), function(i) {
                        as.integer(length(intersect(id_sets[[a[i]]], id_sets[[b[i]]])) > 0)
                      }))

rownames(exist_matrix) <- names(id_sets)
colnames(exist_matrix) <- names(id_sets)

对应的结果矩阵：

DB07 DB08
DB07    1    0
DB08    0    1

内容的提问来源于stack exchange，提问作者D. Shin