如何合并含重复基因名的Data Frame并保持行对应关系？

原始数据 #

data1 <- data.frame(gene=c("ABCD11","ABCD2","ABCD2"),value1=c(2,5,9))
data2 <- data.frame(gene=c("ABCD11","ABCD2","ABCD2"),value2=c(32,35,39))

问题现象 #

使用merge()、left_join()、full_join()等常规合并函数时，由于gene列存在重复值，函数会将所有匹配gene的行进行关联，产生笛卡尔积形式的结果，无法得到按行一一对应的预期合并效果。

解决方案 #

方案1：直接按列绑定（行顺序完全一致时首选）

因为两个Data Frame的行顺序完全对应，直接合并列即可，注意去除重复的gene列：

# 基础R实现
data_merge <- cbind(data1, value2 = data2$value2)

# dplyr包实现
library(dplyr)
data_merge <- bind_cols(data1, data2 %>% select(-gene))

执行后得到预期结果：

> data_merge
    gene value1 value2
1 ABCD11      2     32
2  ABCD2      5     35
3  ABCD2      9     39

方案2：添加行号作为辅助连接键（行顺序可能变动时适用）

如果后续数据行顺序可能改变，或需要严格保证组内（同一gene）的行按顺序匹配，可以添加行号作为辅助连接键：

# 基础R实现
data1$id <- seq(nrow(data1))
data2$id <- seq(nrow(data2))
data_merge <- merge(data1, data2, by = c("gene", "id"))
data_merge$id <- NULL # 移除辅助列

# dplyr包实现
library(dplyr)
data_merge <- data1 %>%
  mutate(id = row_number()) %>%
  left_join(data2 %>% mutate(id = row_number()), by = c("gene", "id")) %>%
  select(-id)

内容的提问来源于stack exchange，提问作者Arnoneel Sinha