R语言sapply函数类型转换报错：强制引入NA但数据仅含数值

问题背景 #

我在做差异表达分析，数据集行代表患者、列代表基因，第一列os event存储0/1格式的生存状态。执行data=sapply(data,as.numeric)转换数值类型时，弹出NA introduced by coercion警告，且所有值全部变为NA。我只发现0这一特殊值，另一结构相似的数据集执行相同操作却正常。运行dput(data)得到的输出如下：

structure(list(os.event.RTK_RAS.NRF2.PI3K.WNT.HIPPO.CELL_CYCLE.MYC.NOTCH.TGF_Beta.TP53 = c("0;2;0;2.642857143;12.875;0;0;0;0;0;0", "0;1.72;0;5.071428571;7.5;0;4.25;0;0;9.333333333;5.666666667", "0;1.52;0;0;6.5;3.166666667;6.625;0;0;10.66666667;8.833333333", "0;0.88;0;1.928571429;6;2.25;0;0;0;0;0", "1;0.8;0;2.285714286;3.375;2.666666667;15;0;9.714285714;0;8.666666667", "0;1.4;0;0;13.375;0;7.625;0;0;0;10.16666667", "1;2.48;0;0;8.625;0;8.75;0;0;16.66666667;11.66666667", "0;1.08;0;0;7.875;2.25;6.125;0;5.428571429;0;8.166666667", "1;1.16;0;2;14.25;2.333333333;10.75;0;10.42857143;0;9.5", "0;1.56;0;0;14;0.8333333333;14;12;0;0;18.66666667", "0;0;0;0;3.875;0;4.75;0;0;8.666666667;6.333333333", "0;3.88;0;0;1.875;2.833333333;10.25;0;0;0;13.66666667", "0;7.76;17.5;2.785714286;0;7.583333333;7.875;0;0;0;10.5", "0;3.16;17.5;2.5;9;2.583333333;13.75;8.5;24.85714286;12.33333333;5.833333333", "1;2.36;0;4.857142857;5.75;3;0;0;0;0;0", "0;4.44;0;1.714285714;2.125;0;9;0;2.714285714;0;12", "1;1;0;2.214285714;4.25;2.583333333;5;0;0;0;6.666666667", "0;2.52;0;0;4.25;5.25;12;0;4.428571429;0;10.83333333", "0;1.08;0;2.214285714;7.125;2.583333333;0;0;11.28571429;0;0", "0;1.56;0;4.285714286;19.375;5;7.5;0;1.571428571;0;10", "0;1.08;0;1.571428571;8;1.833333333;0;0;0;0;0", "1;0.56;0;2.142857143;3.125;0;0;0;6.714285714;0;0", "0;0;0;0;2.125;0;5.5;0;0;0;7.333333333", "1;2.32;0;3.642857143;6.125;4.25;5.875;0;0;0;7.833333333", "1;0;0;7.714285714;14.875;9;6.5;0;0;0;8.666666667", "0;3.08;0;2.571428571;0;3;2.375;0;2.714285714;0;0", "1;1.48;0;0;7.5;0;5.375;0;0;0;7.166666667", "0;4;0;0;2.875;0;5.25;11.75;0;0;7", "0;2.88;0;1.428571429;3;1.666666667;0;0;0;9;0", "0;0;0;0;4.875;0;9.5;0;0;0;20.83333333", "1;4.12;0;2.642857143;4.25;3.083333333;6;0;0;0;8", "0;0;0;1.5;6.125;1.75;8.125;0;0;0;10.83333333", "0;1.56;0;0;7.25;0;4.25;0;0;0;5.666666667", "0;1.28;0;0.7142857143;8.75;0.8333333333;3.75;0;0;0;5", "1;5.56;0;0;5.375;0;8.75;0;7.285714286;0;0", "1;0.96;0;0;2.125;0;7.875;0;4.285714286;0;13", "0;2.76;0;12.21428571;6;14;6.25;0;6.142857143;0;8.333333333", "0;2.04;0;2.285714286;7.75;2.666666667;13.25;0;0;0;17.66666667", "0;1.28;0;1.285714286;0;0;8.125;0;0;15.33333333;10.83333333", "0;2.76;0;0;8.25;0;7;0;9.857142857;17.66666667;9.333333333", "0;0;0;0;6.875;0;8;0;8.857142857;0;10.66666667", "1;1.4;0;0;4.125;0;0;0;0;0;0", "1;1.24;0;0;2.125;0;2.625;0;6.571428571;0;3.5", "0;3.2;0;0.7142857143;3.875;4.333333333;0;0;0;0;0", "0;1.4;0;0;3.375;0;5.875;0;0;0;7.833333333", "1;1.52;0;3.357142857;5.5;3.916666667;4;0;2.857142857;0;5.333333333", "0;2.84;0;0;8.375;0;11.125;0;5.428571429;13;8.5")), class = "data.frame", row.names = c(NA, -47L))

问题原因 #

从输出能直接看出：你的数据集只有1列，每一行是用分号;拼接的多个数值字符串（比如"0;2;0;..."）。直接用as.numeric转换整列字符串时，因为字符串包含分号，R无法将其识别为单个数值，所以全部转为NA。另一数据集正常是因为它的列本来就是单独的数值，而非拼接字符串。

解决方法 #

先把这一列的分号分隔字符串拆成多列，再转换为数值类型，以下是两种常用实现方式：

方式一：用tidyverse工具包（推荐，代码更简洁） #

# 未安装tidyverse的话先执行：install.packages("tidyverse")
library(tidyr)
library(dplyr)

# 拆分单列成多列，按分号分割并指定列名
data_clean <- data %>%
  separate_wider_delim(
    cols = os.event.RTK_RAS.NRF2.PI3K.WNT.HIPPO.CELL_CYCLE.MYC.NOTCH.TGF_Beta.TP53,
    delim = ";",
    names = c("os_event", "RTK_RAS", "NRF2", "PI3K", "WNT", "HIPPO", "CELL_CYCLE", "MYC", "NOTCH", "TGF_Beta", "TP53")
  ) %>%
  # 将所有列转换为数值型
  mutate(across(everything(), as.numeric))

方式二：用基础R实现（无需额外安装包） #

# 将单列的每个字符串按分号拆分，转换为矩阵
data_matrix <- do.call(rbind, strsplit(data[[1]], ";"))

# 转换为数据框并设置列名
data_clean <- as.data.frame(data_matrix, stringsAsFactors = FALSE)
colnames(data_clean) <- c("os_event", "RTK_RAS", "NRF2", "PI3K", "WNT", "HIPPO", "CELL_CYCLE", "MYC", "NOTCH", "TGF_Beta", "TP53")

# 将所有列转换为数值型
data_clean <- lapply(data_clean, as.numeric) %>% as.data.frame()

验证 #

操作完成后运行str(data_clean)，可以看到所有列均为num类型，os_event列保留了0和1的生存状态值，后续即可正常开展差异表达分析。

内容的提问来源于stack exchange，提问作者Dylan Nico