如何在R中保留多重复ID的第一组重复项并解决代码报错？

问题背景 #

数据框clin.info的Sample.ID列存在重复值，部分ID出现次数超过2次，需要仅对这些重复次数>2的ID保留前两条记录，其余仅重复2次的ID保持原样。

当前代码与报错 #

代码 #

n_occur <- data.frame(table(clin.info$Sample.ID))
multiple.duplicates <- n_occur[n_occur$Freq > 2,]

if(multiple.duplicates$Var1 %in% clin.info$Sample.ID){
  clin.info <- clin.info %>% 
    group_by(Sample.ID) %>% 
    distinct
}

报错信息 #

Error in if (multiple.duplicates$Var1 %in% clin.info$Sample.ID) { : 
  argument is of length zero

数据详情 #

clin.info结构：

> dput(clin.info)
structure(list(Sample.ID = c("TCGA.B2.3924.01", "TCGA.B2.3924.01", 
"TCGA.B2.3924.01", "TCGA.B2.3924.01", "TCGA.B2.5635.01", "TCGA.B2.5635.01", 
"TCGA.B2.5635.01", "TCGA.B2.5635.01", "TCGA.B2.5635.01", "TCGA.B2.5635.01", 
"TCGA.A3.3357.01", "TCGA.A3.3357.01", "TCGA.A3.3367.01", "TCGA.A3.3367.01", 
"TCGA.A3.3387.01", "TCGA.A3.3387.01", "TCGA.B0.4698.01", "TCGA.B0.4698.01", 
"TCGA.B0.4710.01", "TCGA.B0.4710.01"), age = c("73", "73", "73", 
"73", "74", "74", "74", "74", "74", "74", "62", "62", "72", "72", 
"49", "49", "75", "75", "75", "75")), row.names = c(67L, 68L, 
69L, 70L, 71L, 72L, 73L, 74L, 75L, 76L, 1L, 2L, 3L, 4L, 5L, 6L, 
7L, 8L, 9L, 10L), class = "data.frame")

multiple.duplicates结构：

> dput(multiple.duplicates)
structure(list(Var1 = structure(6:7, levels = c("TCGA.A3.3357.01", 
"TCGA.A3.3367.01", "TCGA.A3.3387.01", "TCGA.B0.4698.01", "TCGA.B0.4710.01", 
"TCGA.B2.3924.01", "TCGA.B2.5635.01"), class = "factor"), Freq = c(4L, 
6L)), row.names = 6:7, class = "data.frame")

预期输出 #

仅对multiple.duplicates中的两个ID（TCGA.B2.3924.01、TCGA.B2.5635.01）保留前两条记录，其余ID保持原有2条记录不变。

报错原因 #

1. if语句要求判断条件是长度为1的逻辑值，但multiple.duplicates$Var1 %in% clin.info$Sample.ID返回的是长度为2的逻辑向量（对应两个重复次数超标的ID），不符合if的语法要求，触发报错。
2. 原代码中的distinct()会直接去重每组所有重复项，只保留1条记录，与需求中保留前两条的要求不符。

解决方案 #

方法1：精准筛选（针对重复次数超标的ID处理） #

使用dplyr添加组内行号，再根据条件筛选：

library(dplyr)

clin.info <- clin.info %>%
  group_by(Sample.ID) %>%
  # 为每个组的记录添加行号
  mutate(group_row = row_number()) %>%
  ungroup() %>%
  # 筛选规则：要么是重复次数未超标的ID全部保留，要么是超标ID保留前2行
  filter(!Sample.ID %in% multiple.duplicates$Var1 | group_row <= 2) %>%
  # 移除临时行号列
  select(-group_row)

方法2：简化版（通用处理） #

如果所有ID的重复次数都≥2，直接对每个组保留前2行即可，重复次数为2的组不受影响：

library(dplyr)

clin.info <- clin.info %>%
  group_by(Sample.ID) %>%
  slice(1:2) %>%
  ungroup()

结果验证 #

运行后，TCGA.B2.3924.01和TCGA.B2.5635.01各保留2条记录，其余ID也维持2条记录，完全符合预期。

内容的提问来源于stack exchange，提问作者Anon