如何识别R数据框中两列结构不同的标识符差异？

你的数据里两列的标识符格式不一致，需要先提取出核心的唯一ID，再对比差异，具体步骤如下：

1. 提取核心标识符 #

两列的格式分别是：

• Description1：[核心ID]_FASHEprotein[数字]
• Description2：tr|[核心ID]|[核心ID]_FASHEprotein[数字]

可以用基础R或stringr包提取核心ID：

基础R实现 #

# 假设数据框名为df
df$ID1 <- sub("_.*", "", df$Description1)  # 截取下划线前的内容
df$ID2 <- sub("tr\\|(.*)\\|.*", "\\1", df$Description2)  # 提取两个竖线之间的内容

stringr包实现（更直观） #

library(stringr)
df$ID1 <- str_extract(df$Description1, "^[^_]+")  # 匹配开头到下划线前的所有字符
df$ID2 <- str_extract(df$Description2, "(?<=tr\\|)[^|]+")  # 匹配"tr|"之后到下一个竖线前的内容

2. 筛选差异行 #

提取完核心ID后，直接对比两列ID，筛选出不相等的行：

# 标记差异行
df$is_different <- df$ID1 != df$ID2

# 查看所有差异行
diff_result <- df[df$is_different, ]
print(diff_result)

完整示例代码 #

# 构造示例数据框
df <- data.frame(
  Description1 = c("A0A2H1CVW1_FASHEprotein1", "A0A4E0RAA2_FASHEprotein2", "A0A2H1CFJ4_FASHEprotein4"),
  Description2 = c("tr|A0A2H1CVW1|A0A2H1CVW1_FASHEprotein1", "tr|A0A2H1BSG1|A0A2H1BSG1_FASHEprotein3", "tr|A0A2H1CFJ4|A0A2H1CFJ4_FASHEprotein4"),
  stringsAsFactors = FALSE
)

# 提取核心ID（基础R方法）
df$ID1 <- sub("_.*", "", df$Description1)
df$ID2 <- sub("tr\\|(.*)\\|.*", "\\1", df$Description2)

# 标记并筛选差异行
df$is_different <- df$ID1 != df$ID2
diff_result <- df[df$is_different, ]

print(diff_result)

运行后会输出第2行的差异数据，明确展示两列标识符不一致的情况。

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