R语言数据框映射聚合问题：多匹配行未取均值且赋值报错

问题根源 #

1. 关联逻辑错误：原代码用left_join以注释表meth.anno为基准，会保留所有注释中的探针（包括非显著探针），导致结果行数远超目标表sig.data的48行。
2. 分组维度错误：按probeID + genesUniq分组仅得到探针-基因组合的均值，未聚合到基因层面，无法匹配sig.data的基因维度。
3. 赋值方式错误：直接按顺序赋值未考虑基因名的对应关系，即使行数匹配也可能出现数据错位。

修正代码 #

# 1. 提取显著探针的ID及目标指标
cpg_sig_with_id <- tibble::rownames_to_column(cpg.sig.data, var = "probeID") %>%
  dplyr::select(probeID, logFC, P.Value)

# 2. 仅关联显著探针的基因注释（过滤无注释的探针）
merged_data <- dplyr::inner_join(cpg_sig_with_id, meth.anno, by = "probeID") %>%
  dplyr::filter(!is.na(genesUniq))

# 3. 按基因聚合，计算该基因对应所有探针的均值
gene_meth_stats <- merged_data %>%
  dplyr::summarize(
    meth_logFC = mean(logFC, na.rm = TRUE),
    meth_PValue = mean(P.Value, na.rm = TRUE),
    .by = genesUniq
  )

# 4. 按基因名匹配赋值到sig.data（替换"gene_col"为sig.data中存储基因名的列名）
sig.data <- dplyr::left_join(sig.data, gene_meth_stats, by = c("gene_col" = "genesUniq"))

关键说明 #

• inner_join替代left_join：仅保留cpg.sig.data中的显著探针，避免引入无关数据导致行数膨胀。
• 按genesUniq分组聚合：直接得到每个基因对应的探针均值，结果行数与sig.data的基因数量一致。
• 按基因名匹配赋值：通过left_join确保基因与统计值一一对应，避免顺序赋值的错位问题。

内容的提问来源于stack exchange，提问作者Anon