使用separate_rows按逗号拆分数据框行时遇循环错误求助

问题重现 #

原始DataFrame #

temp = structure(list(pid = c("s1", "s1", "s1"), LEFT_GENE = c("PTPRO", "EPS8", "DPY19L2,AC084357.2,AC027667.1"), RIGHT_GENE = c("", "FOx,D", "DPY19L2P2,S100A11P1")), row.names = c(1L, 2L, 3L), class = "data.frame")

对应的表格：

需求 #

将每列中以逗号分隔的项拆分为新行，生成所有可能的组合（例如第三行需生成3×2=6个新行）。

错误代码与提示 #

执行以下代码时报错：

temp %>%
  separate_rows(LEFT_GENE:RIGHT_GENE, sep=",") %>%  
  data.frame(stringsAsFactors = F)

错误信息：

Error in `fn()`:
! In row 3, can't recycle input of size 3 to size 2.
Run `rlang::last_error()` to see where the error occurred.

正常情况（前两行） #

仅处理前两行时代码正常运行：

temp[1:2, ] %>%
  separate_rows(LEFT_GENE:RIGHT_GENE, sep=",") %>%  
  data.frame(stringsAsFactors = F)

输出结果：

错误原因 #

separate_rows函数默认要求：同一行中被拆分的多列，拆分后的元素数量必须一致；若其中某一列拆分后长度为1，函数会自动循环该列元素以匹配其他列的长度（比如第二行LEFT_GENE拆分为1个元素，RIGHT_GENE拆分为2个，函数会重复LEFT_GENE的元素2次来配对）。

但第三行中：

• LEFT_GENE拆分后得到3个元素：DPY19L2、AC084357.2、AC027667.1
• RIGHT_GENE拆分后得到2个元素：DPY19L2P2、S100A11P1

两者长度均大于1且不相等，函数无法自动完成循环匹配，因此触发"无法循环利用输入"的错误。

解决方案 #

要生成所有列拆分后的笛卡尔积组合，可通过以下两种方式实现：

方法一：先拆分列为列表，再双重unnest #

library(tidyverse)

temp %>%
  rowwise() %>%
  mutate(
    LEFT_GENE = str_split(LEFT_GENE, ","),
    RIGHT_GENE = str_split(RIGHT_GENE, ",")
  ) %>%
  unnest(LEFT_GENE) %>%
  unnest(RIGHT_GENE) %>%
  mutate(across(c(LEFT_GENE, RIGHT_GENE), str_trim)) # 去除元素两侧可能的空格

方法二：分步拆分+分组处理 #

library(tidyverse)

temp %>%
  separate_rows(LEFT_GENE, sep = ",") %>%
  mutate(LEFT_GENE = str_trim(LEFT_GENE)) %>%
  group_by(pid, LEFT_GENE) %>%
  separate_rows(RIGHT_GENE, sep = ",") %>%
  mutate(RIGHT_GENE = str_trim(RIGHT_GENE)) %>%
  ungroup()

两种方法最终都会得到第三行的6个组合，以及前两行的正确结果。

内容的提问来源于stack exchange，提问作者Ahdee