在R语言中按分组保留坐标区间内sum值最大的记录

首先，先把你提供的数据加载到R环境里：

df <- structure(list(Groups = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 3L, 3L, 4L, 4L, 4L), .Label = c("G1", "G2", "G3", "G4" ), class = "factor"), Name = structure(c(1L, 2L, 3L, 4L, 5L, 13L, 14L, 6L, 7L, 8L, 9L, 10L, 11L, 12L), .Label = c("A", "B", "C", "D", "E", "F", "G", "H", "I", "J", "K", "L", "X", "Z"), class = "factor"), start = c(451L, 451L, 451L, 463L, 463L, 230L, 229L, 119L, 118L, 460L, 123L, 343L, 343L, 320L), end = c(954L, 951L, 969L, 870L, 888L, 450L, 450L, 841L, 842L, 790L, 300L, 878L, 878L, 862L), sum = c(1405L, 1402L, 1420L, 1333L, 1351L, 680L, 681L, 960L, 960L, 1250L, 177L, 1221L, 1221L, 1182L)), class = "data.frame", row.names = c(NA, -14L))

接下来，我们需要两个核心包：dplyr用于数据分组和筛选，IRanges用于高效识别重叠区间——这个包处理区间重叠的逻辑非常顺手，刚好匹配需求。如果没装的话先安装：

install.packages(c("dplyr", "IRanges"))

然后开始处理：

library(dplyr)
library(IRanges)

result <- df %>%
  # 按Groups分组，单独处理每个组内的数据
  group_by(Groups) %>%
  mutate(
    # 将start和end转换成IRanges区间对象
    ir = IRanges(start = start, end = end),
    # 识别相互重叠的区间簇，给每个簇分配唯一ID
    cluster_id = connectedComponents(findOverlaps(ir))$membership
  ) %>%
  # 按Groups+cluster_id再次分组，处理每个区间簇
  group_by(Groups, cluster_id) %>%
  # 保留当前簇内sum最大的行；如果有多个sum相同的记录，这里只保留第一行（示例里G4的J和K就是这种情况）
  slice_max(sum, n = 1, with_ties = FALSE) %>%
  # 移除临时生成的区间和簇ID列，恢复原数据结构
  select(-ir, -cluster_id) %>%
  # 取消分组，回到常规数据框格式
  ungroup() %>%
  # 可选：按Groups排序，和示例结果顺序一致
  arrange(Groups)

运行完这段代码后，result就是你想要的结果：

print(result)
# # A tibble: 6 × 5
#   Groups Name  start   end   sum
#   <fct>  <fct> <int> <int> <int>
# 1 G1     C       451   969  1420
# 2 G1     Z       229   450   681
# 3 G2     G       118   842   960
# 4 G3     H       460   790  1250
# 5 G3     I       123   300   177
# 6 G4     J       343   878  1221

关键步骤解释 #

• 区间簇识别：IRanges把start/end转换成标准区间对象，findOverlaps找出所有重叠的区间对，connectedComponents则把相互重叠的区间归为同一个簇，给每个簇分配cluster_id——这一步是解决重叠分组的核心。
• 筛选最大值：slice_max在每个区间簇里精准定位sum最大的记录，with_ties = FALSE控制相同最大值的记录只保留一条；如果想保留所有sum相同的最大值记录，把这个参数改成TRUE即可。
• 分组逻辑：全程用dplyr的分组机制，确保每个Groups内的处理独立完成，不会跨组干扰。

如果你不想依赖IRanges包，也可以用纯基础R或data.table实现，但IRanges处理区间重叠的逻辑最简洁高效，数据量越大优势越明显。

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