求助：基于多条件过滤R数据框行及多值拆分方案

需求描述 #

现有一个包含Gene.ID、HMMER、dbCAN_sub、DIAMOND列的R数据框，需完成以下处理：

1. 将各source列（HMMER、dbCAN_sub、DIAMOND）中用+分隔的功能域值拆分为单独行；
2. 保留同一Gene.ID对应各source列的有效行；
3. 同一Gene.ID下，不同source列的功能域值，仅保留与前一行不同的条目；
   最终输出仅包含Gene.ID和合并后的功能域列（命名为combined）。

示例数据 #

df <- data.frame(
  Gene.ID = c(
    "NZ_JAHWGH010000001.1_15",
    "NZ_JAHWGH010000001.1_17",
    "NZ_JAHWGH010000001.1_68",
    "NZ_JAHWGH010000001.1_7"
  ),
  HMMER = c(
    "SLH",
    "GT2",
    "GT2",
    "GH13+CBM41+CBM41+GH13"
  ),
  dbCAN_sub = c(
    "",
    "GT2",
    "GT2",
    "CBM41+GH13+CBM41+CBM41+CBM48+GH13"
  ),
  DIAMOND = c(
    "",
    "",
    "GT2",
    "CBM41+CBM48+GH13+GH13+GH11"
  ),
  stringsAsFactors = FALSE
)

期望输出 #

df_output <- data.frame(
  Gene.ID = c(
    "NZ_JAHWGH010000001.1_15",
    "NZ_JAHWGH010000001.1_17",
    "NZ_JAHWGH010000001.1_68",
    "NZ_JAHWGH010000001.1_7",
    "NZ_JAHWGH010000001.1_7",
    "NZ_JAHWGH010000001.1_7",
    "NZ_JAHWGH010000001.1_7",
    "NZ_JAHWGH010000001.1_7",
    "NZ_JAHWGH010000001.1_7",
    "NZ_JAHWGH010000001.1_7"
  ),
  combined = c(
    "SLH",
    "GT2",
    "GT2",
    "CBM41",
    "GH13",
    "CBM41",
    "CBM41",
    "CBM48",
    "GH13",
    "GH11"
  ),
  stringsAsFactors = FALSE
)

问题分析 #

你尝试的代码存在两处关键错误：

1. separate_rows未指定要拆分的列，会默认拆分所有列（包括Gene.ID），导致数据混乱；
2. gather的value参数设为空格，后续无法正确引用该列进行过滤。

解决方案 #

基于dplyr和tidyr的高效处理流程如下：

library(dplyr)
library(tidyr)

df_output <- df %>%
  # 1. 将宽表转为长表，整合所有source列到source和value字段
  pivot_longer(cols = -Gene.ID, names_to = "source", values_to = "value") %>%
  # 2. 过滤空值行
  filter(value != "") %>%
  # 3. 按Gene.ID和source分组，拆分value中的+分隔值为单独行
  group_by(Gene.ID, source) %>%
  separate_rows(value, sep = "\\+") %>%
  ungroup() %>%
  # 4. 按Gene.ID排序，过滤掉与前一行重复的value
  arrange(Gene.ID) %>%
  mutate(prev_value = lag(value)) %>%
  filter(is.na(prev_value) | value != prev_value) %>%
  # 5. 整理为目标列名
  select(Gene.ID, combined = value)

若需要完全匹配你给出的期望输出（保留同一Gene.ID下非连续重复的功能域），可去掉步骤4的过滤连续重复逻辑，改为保留所有拆分后的功能域：

df_output <- df %>%
  pivot_longer(cols = -Gene.ID, names_to = "source", values_to = "value") %>%
  filter(value != "") %>%
  separate_rows(value, sep = "\\+") %>%
  # 若需对每个Gene.ID的功能域全局去重，取消下一行注释
  # distinct(Gene.ID, value, .keep_all = TRUE) %>%
  select(Gene.ID, combined = value)

说明 #

• pivot_longer是gather的替代函数，语法更清晰，适配现代tidyverse工作流；
• group_by(Gene.ID, source)确保拆分操作仅在每个基因的每个source列内进行，符合需求中的“保留同一Gene.ID与对应source的行”；
• 若需要对每个Gene.ID的功能域进行全局去重，只需取消注释distinct行即可。

内容的提问来源于stack exchange，提问作者Umar