R语言处理差异比较基因数据：分组筛选非NA基因集及minDF/maxDF含义咨询

先澄清minDF和maxDF的真实含义 #

你那段代码里的df列是bind_rows(.id="df")自动生成的，它代表的是你原始输入的每个数据框的序号——比如第一个输入的M0_vs_M1_TCGA_stages对应df=1，第二个M0_vs_M2_TCGA_stages对应df=2，以此类推。所以第一行的1和5，意思是这个基因在第1到第5个原始数据框里都有出现，可不是最终宽表的第1、5列哦，你之前的理解有点偏差啦。

实现按基因的非NA列集合分组的方案 #

你的核心需求是把基因按它们存在的对比组（也就是宽表里非NA的列）分组，每组内的基因的非NA列完全一致。我给你整理了一套可行的步骤：

步骤1：给每个基因标记专属的非NA列集合 #

从你已经得到的宽表a出发，我们先转成长格式筛选非NA行，再聚合每个基因对应的对比组集合：

library(dplyr)
library(tidyr)

gene_groups <- a %>%
  # 把宽表转成长格式，保留基因列，其他列转成对比组和存在标记
  pivot_longer(cols = -gene, names_to = "comparison", values_to = "present") %>%
  # 只保留非NA的行（也就是基因存在的对比组）
  filter(!is.na(present)) %>%
  # 按基因分组，把对应的对比组整理成排序后的列表（排序是为了避免顺序不同导致分组错误）
  group_by(gene) %>%
  summarise(comparison_set = list(sort(comparison))) %>%
  ungroup() %>%
  # 按对比组集合分组，给每个组分配唯一ID
  group_by(comparison_set) %>%
  mutate(group_id = cur_group_id()) %>%
  ungroup()

步骤2：查看分组结果 #

现在gene_groups里每个基因都绑定了对应的分组ID和对比组集合，你可以生成清晰的分组汇总：

group_summary <- gene_groups %>%
  group_by(group_id) %>%
  summarise(
    包含的基因 = list(gene),
    对应的对比组 = first(comparison_set)
  ) %>%
  ungroup()

# 打印前10组的结果看看
print(group_summary, n = 10)

步骤3：生成类似预期的表格格式 #

如果想要得到和你预期一样的表格（每行一个基因，列是对比组，标记是否存在），可以再做一步转换：

final_table <- gene_groups %>%
  # 生成所有对比组的笛卡尔积，确保每个基因对应所有对比组
  crossing(comparison = unique(a %>% select(-gene) %>% colnames())) %>%
  # 标记该基因在这个对比组是否存在
  mutate(是否存在 = ifelse(comparison %in% unlist(comparison_set), "是", "否")) %>%
  # 转回宽表格式
  pivot_wider(names_from = comparison, values_from = 是否存在) %>%
  # 调整列顺序，把分组ID和基因列放前面
  select(group_id, gene, everything())

这样处理后，你就能完美得到按非NA列分组的基因集合，每组内的基因对应的非NA列完全一致啦。

内容的提问来源于stack exchange，提问作者PesKchan