R语言处理样本数据时vectorIndex选择错误的求助

需求背景 #

要让sample.sheet和clin.info两个数据框通过Sample.ID列匹配，同时从sample.sheet的File.Name列提取前缀，只保留前缀重复的样本做后续分析。

已完成操作 #

1. 筛选两数据框共有的Sample.ID行：

sample.sheet <- sample.sheet[sample.sheet$Sample.ID %in% clin.info$Sample.ID, ]
clin.info <- clin.info[clin.info$Sample.ID %in% sample.sheet$Sample.ID, ]

2. 提取File.Name前缀并筛选重复前缀：

rgx_undsc <- paste0(
  "_[^_]*$"
)

basename <- sample.sheet %>%
  mutate(file_prefix = str_remove(File.Name, rgx_undsc)) %>%
  group_by(file_prefix) %>%
  summarize(n = n()) %>%
  ungroup() %>%
  filter(n > 1) %>%
  select(file_prefix) 

报错情况 #

写循环处理Sample.ID重复多次的样本时触发错误：

for(i in sample.sheet %>% group_by(Sample.ID) %>% filter(n()>2)){
  pairs[[i]] <- sub("\\_.*", "", i)
  basename <- cbind(basename, pairs[[1]])
}

错误提示：

Error in `[[<-`(`*tmp*`, i, value = sub("\\_.*", "", i)) : 
  attempt to select more than one element in vectorIndex

错误原因 #

• 循环遍历的是分组后的完整数据框，不是单个Sample.ID值，i实际是数据框的列向量，不是单个索引。
• 用多元素向量当列表索引pairs[[i]]，违反R的列表索引规则，直接报错。
• 循环逻辑混乱：sub对列向量操作会返回多个结果，而且每次都绑定pairs[[1]]，完全不符合需求。

修正方案 #

不用循环，直接用dplyr的分组操作就能搞定。假设你要找Sample.ID出现2次以上的样本对应的前缀，再合并到之前的basename里，按下面的代码来：

方案1：一步筛选符合条件的前缀 #

# 标记出Sample.ID重复超2次的行，提取对应前缀
sample.sheet_processed <- sample.sheet %>%
  group_by(Sample.ID) %>%
  mutate(sample_count = n()) %>%
  ungroup() %>%
  filter(sample_count > 2) %>%
  mutate(file_prefix = str_remove(File.Name, rgx_undsc)) %>%
  select(file_prefix) %>%
  distinct()

# 合并到原basename（这里取交集，保留同时满足前缀重复+Sample.ID重复超2次的样本）
basename_final <- basename %>%
  inner_join(sample.sheet_processed, by = "file_prefix")

方案2：单独提取重复Sample.ID再处理 #

# 先拿到所有重复超2次的Sample.ID
repeat_samples <- sample.sheet %>%
  group_by(Sample.ID) %>%
  filter(n() > 2) %>%
  pull(Sample.ID) %>%
  unique()

# 提取这些Sample.ID对应的前缀
repeat_prefixes <- sample.sheet %>%
  filter(Sample.ID %in% repeat_samples) %>%
  mutate(file_prefix = str_remove(File.Name, rgx_undsc)) %>%
  select(file_prefix) %>%
  distinct()

# 合并到原basename
basename_final <- basename %>%
  inner_join(repeat_prefixes, by = "file_prefix")

额外提醒 #

• 处理数据框尽量别用循环，dplyr的分组、筛选操作更高效，还不容易出错。
• 如果你的需求是给每个重复的Sample.ID配对前缀，基于上面的代码调整就行，核心是先明确要提取的对象，用向量/数据框操作替代循环。

内容的提问来源于stack exchange，提问作者Anon