如何在R中合并含Gene、Length、Counts的多CSV文件并去除NA值

你的问题出在直接用map_df按行拼接数据，但每个CSV里的GeneID和Length其实是同一批基因的信息，只有Counts对应不同样本。直接行拼接会让后续样本的Counts因列名重复无法匹配到对应基因行，导致大量NA。

下面是正确的合并思路：先给每个样本的Counts列命名为对应的样本名，再按GeneID和Length合并所有数据框，把所有样本的计数整合到同一个表中。

方法一：用tidyverse实现 #

library(tidyverse)

# 设置工作目录（替换成你的实际路径）
setwd("~/Desktop/cardio_metabolism_annotated_counts/asdf RNA seq/raw_data")

# 获取所有CSV文件，提取样本名（从文件名去掉.csv后缀）
file_list <- list.files(pattern = "*.csv")
sample_names <- str_remove(file_list, "\\.csv$")

# 定义读取函数：读取文件并将Counts列重命名为样本名
read_sample_data <- function(file_path, sample_name) {
  read_csv(file_path) %>%
    rename(!!sample_name := Counts)  # 动态重命名Counts列
}

# 批量读取+合并所有文件
combined_df <- map2(file_list, sample_names, read_sample_data) %>%
  reduce(full_join, by = c("GeneID", "Length"))

# 查看合并结果
head(combined_df)

方法二：用data.table实现 #

如果习惯用data.table，也可以用下面的代码：

library(data.table)

setwd("~/Desktop/cardio_metabolism_annotated_counts/asdf RNA seq/raw_data")

file_list <- list.files(pattern = "*.csv")
sample_names <- sub("\\.csv$", "", file_list)

# 读取第一个文件作为基础表，并重命名Counts列
combined_df <- fread(file_list[1]) %>%
  setnames("Counts", sample_names[1])

# 循环读取剩余文件并合并
for (i in 2:length(file_list)) {
  temp_df <- fread(file_list[i]) %>%
    setnames("Counts", sample_names[i])
  combined_df <- merge(combined_df, temp_df, by = c("GeneID", "Length"), all = TRUE)
}

head(combined_df)

注意事项 #

• 确保所有CSV文件中的GeneID和Length格式完全一致（比如无大小写差异、无多余空格），否则合并时会因匹配失败出现NA
• 如果文件名包含多余前缀/后缀，可调整str_remove或sub的规则来提取正确的样本名，比如文件名是sample_R210808.csv，可改用str_remove(file_list, "sample_|\\.csv$")
• 若只想保留所有样本都存在的基因，可将full_join换成inner_join，或把merge中的all = TRUE改成all = FALSE

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