如何根据accession编号列表在RStudio中筛选DataFrame？

问题背景 #

现有如下结构的DataFrame（展示前6行）：

gene_callers_id source   accession                 function.  e_value             
<int> <chr>    <chr>                     <chr>        <dbl> 
1 4439568 MGE_type 2545_tnpA_CR555306.1      tnpA      3.11e-28 
2 4439574 MGE_type 1420_IS91_CP003742.1      IS91      2e-14 
3 4439922 MGE_type 1112_qacEdelta_AF261825.2 qacEdelta 3.48e-12 
4 4440357 MGE_type 1610_int3_HE616890.1      int3      1.77e-26 
5 4440603 MGE_type 1151_IS621_NC009800       IS621     7.18e-39 
6 4440805 MGE_type 1010_tnpA_AJ233397.3      tnpA      8.71e-73

需要根据以下accession编号列表筛选数据：

V1 
1 IPR000802 
2 IPR001802 
3 IPR002657 
4 IPR003370 
5 IPR003457 
6 IPR003691

原代码问题分析 #

你尝试的代码存在两个关键问题：

• as.vector(read.csv(...)) 会将数据框转换为按列展开的向量，无法正确提取筛选列表的每一项，应该直接提取数据框的第一列。
• grepl(mrg_accession, accession...) 中，grepl 不支持直接传入多个匹配模式的向量，需要将多个模式拼接成正则表达式才能实现“匹配任意一个模式”的效果。

正确解决方案 #

方法1：基础R实现 #

# 正确读取筛选列表：提取csv的第一列作为字符向量
mrg_accession <- read.csv("mrg_accession.csv", header = FALSE, colClasses = "character")[[1]]

# 将多个匹配模式拼接成正则表达式（用|分隔，表示“或”）
pattern <- paste(mrg_accession, collapse = "|")

# 筛选accession列包含任意一个IPR编号的行
mrg_dbs <- subset(func_all, grepl(pattern, accession, ignore.case = TRUE))

方法2：tidyverse工具包实现（更直观） #

如果你习惯用dplyr和stringr，写法更简洁清晰：

library(dplyr)
library(stringr)

mrg_accession <- read.csv("mrg_accession.csv", header = FALSE, colClasses = "character")[[1]]

mrg_dbs <- func_all %>%
  filter(str_detect(accession, regex(paste(mrg_accession, collapse = "|"), ignore_case = TRUE)))

补充：精确匹配场景 #

如果你的需求是accession列的值与列表项完全相等，则不需要正则，直接用%in%即可：

mrg_accession <- read.csv("mrg_accession.csv", header = FALSE, colClasses = "character")[[1]]
mrg_dbs <- filter(func_all, accession %in% mrg_accession)

内容的提问来源于stack exchange，提问作者Kevin Y