如何用strsplit基于行名筛选DataFrame？报错解决方案咨询

问题说明 #

现有如下结构的DataFrame：

dput(gene_exp[1:5,1:5])
structure(list(en_Adipose_Subcutaneous.db = c(0.0531016390078734, 
-0.00413407782001034, -0.035434632568444, 0.00968736935965742, 
0.0523714252287003), en_Adipose_Visceral_Omentum.db = c(0, 0, 
0, 0, 0), en_Adrenal_Gland.db = c(0, 0, 0, 0, 0), en_Artery_Aorta.db = c(0, 
0, 0, 0, 0), en_Artery_Coronary.db = c(0, 0, 0, 0, 0)), row.names = c("rs1041770_ENSG00000283633.1", 
"rs12628452_ENSG00000283633.1", "rs915675_ENSG00000283633.1", 
"rs11089130_ENSG00000283633.1", "rs36061596_ENSG00000283633.1"), class = "data.frame")

需求是筛选出行名中包含基因ID ENSG00000283633.1 的行，编写的代码出现报错：

gene <- gene_exp %>% filter(unlist(strsplit(rownames(gene_exp), "_")) %in% "ENSG00000283633.1")

报错信息：

Error in `filter()`:
ℹ In argument: `unlist(strsplit(rownames(gene_exp), "_")) %in%
  "ENSG00000283633.1"`.
Caused by error:

! `..1` must be of size 5956 or 1, not size 11902.
Run `rlang::last_trace()` to see where the error occurred.

错误原因 #

strsplit(rownames(gene_exp), "_")会将每个行名拆分为两个元素（如rs1041770和ENSG00000283633.1），unlist后得到的向量长度是原DataFrame行数的2倍，而filter要求传入的逻辑向量长度必须与DataFrame行数一致，因此维度不匹配导致报错。

解决方法 #

方法1：将行名转为列后筛选（dplyr风格） #

将行名转为单独的列，筛选完成后可选择重新设为行名：

library(dplyr)

gene <- gene_exp %>%
  tibble::rownames_to_column("row_id") %>%
  filter(grepl("ENSG00000283633.1", row_id)) %>%
  tibble::column_to_rownames("row_id")

方法2：直接基于行名生成逻辑向量 #

方式A：用grepl直接匹配行名

最简洁的基础R写法：

gene <- gene_exp[grepl("ENSG00000283633.1", rownames(gene_exp)), ]

方式B：拆分后判断每个行名是否包含目标ID

通过sapply对每个拆分后的行名列表进行判断：

gene <- gene_exp[sapply(strsplit(rownames(gene_exp), "_"), function(x) "ENSG00000283633.1" %in% x), ]

方法3：使用stringr包的字符串检测函数 #

借助stringr的str_detect函数实现更直观的筛选：

library(stringr)

gene <- gene_exp %>%
  filter(str_detect(rownames(.), "ENSG00000283633.1"))

内容的提问来源于stack exchange，提问作者rheabedi1