如何移除数据框中包含于其他序列的子序列行（含最小长度限制）

报错原因分析 #

你的代码报错有两个核心问题：

1. dplyr管道语法错误：group_by之后不能直接用原始数据框df做子集操作，管道内应该使用dplyr的函数（比如filter）来处理分组后的数据。
2. 逻辑逻辑错误：grep(sequence[1:5], sequence)是硬编码取前5个序列当匹配模式，完全不符合“检查每个序列是否是同组内其他序列子序列”的需求。

正确解决方案 #

1. 构造测试数据（可跳过，用你自己的数据框即可） #

df <- data.frame(
  Species = c(rep("Tilapia guineensis",4), rep("Sprattus sprattus",3), rep("Eutrigla gurnardus",3)),
  sequence = c("AAATGGA", "AAATGGAATA", "AAATGGAATAGAT", "TTATGGAGTAGA",
               "GTGCA", "GTGCAATGC", "GTGCAATGCA",
               "ACTGACTGATCG", "ACTGACT", "ACGAGTTTGCGAG"),
  size = c(7,10,13,12,5,9,10,12,7,13)
)

2. 核心处理代码 #

我们用dplyr分组，结合自定义函数检查每个序列是否是同组内其他序列的子序列，最终保留符合要求的行：

library(dplyr)
library(purrr)
library(stringr)

# 自定义函数：判断当前序列是否是同组内其他序列的子序列
is_subseq <- function(target_seq, all_seqs) {
  # 排除自身，检查剩余序列中是否存在包含target_seq的
  any(str_detect(setdiff(all_seqs, target_seq), target_seq))
}

# 分组筛选
cleaned_df <- df %>%
  group_by(Species) %>%
  filter(
    # 保留两种情况：序列长度<5，或者不是其他序列的子序列
    size < 5 | !map_lgl(sequence, is_subseq, all_seqs = sequence)
  ) %>%
  ungroup()

3. 结果验证 #

运行后得到的cleaned_df和你预期的处理结果完全一致：

# A tibble: 5 × 3
  Species           sequence       size
  <chr>             <chr>         <dbl>
1 Tilapia guineensis AAATGGAATAGAT    13
2 Tilapia guineensis TTATGGAGTAGA     12
3 Sprattus sprattus  GTGCAATGCA       10
4 Eutrigla gurnardus ACTGACTGATCG     12
5 Eutrigla gurnardus ACGAGTTTGCGAG    13

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