R语言按指定列合并重复行：字符串拼接、数值取均值

针对需求，我们可以用dplyr包快速实现：按Proteins列分组，对不同数据类型的列分别做字符串拼接或数值取均值处理。

完整代码示例 #

# 安装并加载dplyr（若未安装）
if (!require(dplyr)) {
  install.packages("dplyr")
  library(dplyr)
}

# 构造测试数据框
df <- tibble(
  Proteins = c("ProteinA", "ProteinA", "ProteinB", "ProteinC", "ProteinC"),
  Gene = c("GeneX", "GeneY", "GeneZ", "GeneX", "GeneX"),
  Expression = c(2.3, 4.5, 1.8, 3.1, 2.9),
  Location = c("Nucleus", "Cytoplasm", "Membrane", "Cytoplasm", "Nucleus")
)

# 分组合并逻辑
df_combined <- df %>%
  group_by(Proteins) %>%
  summarise(
    across(everything(), ~ {
      if (is.character(.x)) {
        # 字符型列：去重后用@拼接
        paste0(unique(.x), collapse = "@")
      } else if (is.numeric(.x)) {
        # 数值型列：计算均值（忽略缺失值）
        mean(.x, na.rm = TRUE)
      } else {
        # 其他类型（如因子、逻辑型）默认保留第一个值，可按需调整
        .x[1]
      }
    })
  ) %>%
  ungroup()

# 输出结果
print(df_combined)

代码说明 #

• 分组：group_by(Proteins)将相同Protein的行归为一组
• 列处理逻辑：
  • 字符型列：用paste0(unique(.x), collapse = "@")实现拼接，unique()避免同一组内重复值重复拼接，不需要去重可直接去掉该函数
  • 数值型列：mean(.x, na.rm = TRUE)计算均值，na.rm = TRUE确保缺失值不影响计算
  • 其他数据类型：默认保留组内第一个值，可根据实际需求修改（比如因子类型可转为字符型再拼接）

测试结果 #

运行代码后，输出的合并后数据框如下：

# A tibble: 3 × 4
  Proteins Gene       Expression Location          
  <chr>    <chr>           <dbl> <chr>             
1 ProteinA GeneX@GeneY       3.4 Nucleus@Cytoplasm 
2 ProteinB GeneZ             1.8 Membrane          
3 ProteinC GeneX             3   Cytoplasm@Nucleus

内容的提问来源于stack exchange，提问作者John H