如何在多个DataFrame中识别基因的共有与独有组合并进行分组处理

看起来你已经拿到了关键的宽格式数据，咱们可以基于它或者直接从原始的result_abd列表入手，轻松解决这两个问题。下面分步骤给你拆解：

1. 识别所有可能组合中出现的基因（含仅部分组存在的基因） #

你有两种思路可以选择，一种是基于你已有的宽格式结果，另一种是从原始的result_abd列表重新处理，两种都能帮你理清每个基因的分布情况：

方法一：基于你现有的宽格式数据框（假设名为wide_df） #

library(tidyverse)

# 1. 统计每个基因存在的组数量，以及具体属于哪些组
gene_distribution <- wide_df %>%
  rowwise() %>%
  mutate(
    # 统计非NA的列数（即该基因存在的组数量）
    group_count = sum(!is.na(c_across(-gene))),
    # 提取所有存在该基因的组名称（去掉NA）
    present_groups = list(na.omit(c_across(-gene)))
  ) %>%
  ungroup()

# 查看结果：每个基因对应存在的组列表和数量
head(gene_distribution)

方法二：直接从原始result_abd列表处理 #

如果你的原始列表更方便操作，可以用这种方式先合并数据再统计：

library(tidyverse)

# 1. 给每个子数据框添加分组名称，然后合并成一个长表
all_genes_long <- map2_dfr(result_abd, names(result_abd),
                           ~ .x %>% mutate(group = .y))

# 2. 按基因分组，汇总所属的所有组和数量
gene_distribution <- all_genes_long %>%
  group_by(gene) %>%
  summarise(
    present_groups = list(unique(group)),
    group_count = n_distinct(group)
  ) %>%
  ungroup()

这样得到的gene_distribution会包含所有基因，不管它只在1个组还是多个组出现，完美解决你需要识别所有组合中基因的需求。

2. 提取多组中存在的基因，生成无NA的新DataFrame #

这里我们以“提取存在于2个及以上组的基因”为例，你可以根据需求修改阈值（比如改成7，就能筛选出像ENSG00000000971这样的基因）：

方式一：从宽格式数据生成无NA结果（长格式更易读） #

# 1. 先筛选出符合条件的基因（这里选存在≥2个组的）
target_genes <- gene_distribution %>%
  filter(group_count >= 2) %>%
  pull(gene)

# 2. 转换为长格式并去掉NA，得到无缺失的结果
no_na_result <- wide_df %>%
  filter(gene %in% target_genes) %>%
  pivot_longer(-gene, names_to = "group", values_to = "group_name") %>%
  filter(!is.na(group_name)) %>%
  select(gene, group = group_name)

# 查看示例结果
head(no_na_result)

方式二：从原始列表直接提取生成无NA数据 #

# 用上面得到的target_genes，从原始列表中筛选并合并
no_na_result <- result_abd %>%
  map(~ .x %>% filter(gene %in% target_genes)) %>%
  imap_dfr(~ .x %>% mutate(group = .y)) %>%
  select(gene, group)

如果你偏好宽格式（只保留有值的列），也可以这样处理：

wide_no_na <- wide_df %>%
  filter(gene %in% target_genes) %>%
  # 只保留至少有一个非NA值的列
  select(gene, where(~ any(!is.na(.x)))) %>%
  # 将NA替换为空字符串（可选）
  mutate(across(-gene, ~ ifelse(is.na(.x), "", .x)))

内容的提问来源于stack exchange，提问作者PesKchan