在R中基于跨数据框多列匹配填充空列LOC_numbers的方法

针对你需要用df1$Ortholog_GeneSymbol匹配df2同一行任意列、填充df1$LOC_numbers为对应df2$Symbol的需求，以下是几种高效的实现方案，适配14000行的数据集规模：

方法1：tidyverse 长格式转换法（易读性优先） #

先将df2的多列匹配项转换为长格式，再通过关联匹配完成填充，代码逻辑清晰，维护成本低：

library(tidyverse)

# 将df2转换为长格式，保留Symbol与所有待匹配值，剔除NA行
df2_long <- df2 %>%
  pivot_longer(cols = -Symbol, names_to = "col_name", values_to = "match_value") %>%
  drop_na(match_value)

# 关联匹配并填充LOC_numbers
df1 <- df1 %>%
  left_join(df2_long, by = c("Ortholog_GeneSymbol" = "match_value")) %>%
  mutate(LOC_numbers = Symbol) %>%
  select(-col_name, -Symbol)  # 移除临时辅助列

方法2：base R 原生实现（无额外依赖） #

如果你不想引入第三方包，可使用base R的apply系列函数完成逐行匹配：

# 定义匹配函数：输入基因符号，返回对应的LOC编号
get_loc_number <- function(gene_sym) {
  # 检查df2每行是否存在目标基因符号（忽略NA）
  match_flag <- apply(df2[, -1], 1, function(row) any(row == gene_sym, na.rm = TRUE))
  # 返回匹配到的Symbol，无匹配则返回NA
  if (any(match_flag)) df2$Symbol[match_flag] else NA
}

# 批量处理df1所有行
df1$LOC_numbers <- sapply(df1$Ortholog_GeneSymbol, get_loc_number)

方法3：data.table 高效匹配法（大数据量优先） #

如果后续数据集规模持续增长，data.table的性能优势会更明显，14000行的场景下也能快速完成处理：

library(data.table)

# 转换为data.table格式以启用高效操作
setDT(df1)
setDT(df2)

# 将df2转成长格式并剔除NA
df2_long <- melt(df2, id.vars = "Symbol", variable.name = "col_name", value.name = "match_value", na.rm = TRUE)

# 关联匹配并直接更新df1的LOC_numbers列
df1[df2_long, LOC_numbers := i.Symbol, on = .(Ortholog_GeneSymbol = match_value)]

注意事项 #

• 上述方案均为精确匹配，如果需要模糊匹配，可将判断条件中的row == gene_sym替换为grepl(gene_sym, row)，但模糊匹配会降低处理速度，需根据实际需求选择。
• 若df2中同一基因符号对应多个Symbol，方案会返回第一个匹配结果；如需处理多匹配场景，可添加逻辑筛选或返回所有匹配值。

内容的提问来源于stack exchange，提问作者AvolaAMG