在R的dplyr中按多条件筛选数据框：优先保留representative genome行

数据结构 #

用户给出的数据框定义如下：

dt<-data.frame(assembly_accession=c("id1","id2","id3","id3","id4","id5","id6","id7"),
refseq_category=c("na","na","na","representative genome","na","na","na","na"),
assembly_level=c("Contigs","Contigs","Complete Genome","Complete Genome","Contigs","Contigs","Contigs","Complete Genome"),
link=c("ftp1","ftp2","ftp3","ftp4","ftp5","ftp6","ftp7","ftp8"))

需求说明 #

需要筛选出assembly_level列为"Complete Genome"的行，但对于同一assembly_accession的记录：

• 若存在refseq_category为"representative genome"的行，仅保留该行
• 若不存在，则保留所有assembly_level为"Complete Genome"的行（本案例中这类情况是id7）

用户尝试的代码（存在逻辑问题）：

dt %>% filter(assembly_level=="Complete Genome") %>% if(refseq_category=="representative genome") filter(.) else

解决方案 #

可以用dplyr的分组过滤逻辑实现，核心思路是先筛选出符合assembly_level条件的行，再按assembly_accession分组，根据组内是否存在目标记录来过滤：

library(dplyr)

dt_filtered <- dt %>%
  # 第一步：筛选assembly_level为Complete Genome的行
  filter(assembly_level == "Complete Genome") %>%
  # 按assembly_accession分组
  group_by(assembly_accession) %>%
  # 第二步：分组过滤
  filter(
    if(any(refseq_category == "representative genome")) {
      refseq_category == "representative genome"
    } else {
      TRUE
    }
  ) %>%
  # 取消分组
  ungroup()

结果验证 #

运行上述代码后，dt_filtered会包含两行：

• id3对应的refseq_category为"representative genome"的行
• id7对应的行

完全符合需求。

内容的提问来源于stack exchange，提问作者AQ7