如何在R中生成仅含指定信息的目标蛋白质表格？

原代码存在的问题 #

• 读取数据时仅选取了A列，丢失了Log2、Significance等核心数据列
• 未对Significance为+/!的显著条目进行筛选
• 去除_P01类后缀的逻辑错误（trimws(whitespace = ".*")会清空内容）

修改后的完整代码 #

library(readxl)
library(dplyr)
library(tidyr)
library(stringr)
library(writexl)

# 读取完整数据（确保包含所有需要的列，若需限制行数可改为range = "A2:D5000"）
totalproteome <- read_excel("C:/Users/cd.xlsx", sheet = 4, skip = 1)

# 数据处理流程
processed_data <- totalproteome %>%
  # 筛选Significance为+或!的显著条目
  filter(Significance %in% c("+", "!")) %>%
  # 拆分Fasta headers中用;分隔的多个条目
  separate_rows(`Fasta headers`, sep = ";") %>%
  # 去除_P01、_P02这类后缀（正则匹配下划线+P+数字格式）
  mutate(`Fasta headers` = str_remove(`Fasta headers`, "_P\\d+")) %>%
  # 保留需要的目标列
  select(`Fasta headers`, Log2, Significance) %>%
  # 去重（按需保留，若无需去重可删除此行）
  distinct()

# 输出结果到Excel文件
write_xlsx(processed_data, "BOOK.xlsx")

关键改动说明 #

1. 读取完整数据：移除了仅限制A列的range参数，确保Log2、Significance列被正确读取
2. 筛选显著条目：通过filter语句直接过滤出标记为+或!的行，排除无意义条目
3. 精准去除后缀：使用stringr::str_remove配合正则表达式，只删除_P加数字的后缀，保留蛋白质名称
4. 规范输出列：用select明确指定输出列，确保结果格式与期望完全匹配

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