使用sapply读取多TSV文件时内容重复的问题求助

核心原因1：函数返回值错误 #

你写的sapply函数最后一行是df$ID=gsub("\\..*","", df$gene_id)——这是一个赋值操作，R函数默认会返回最后一个表达式的运行结果，也就是这个赋值后的df$ID向量，而非你处理后的完整数据框。

而这些TSV文件应该都是小鼠不同组织的样本数据，基因ID列本身就是相同的参考基因集，所以每个文件的df$ID内容自然一致，你看到的head结果重复，本质是只查看了基因ID列，而非整个数据的差异。

核心原因2：正则表达式写法错误 #

grep("ENSMUS*", df$gene_id)里的正则逻辑不对：*是修饰前一个字符S，表示匹配ENSMU后接任意个S（包括0个），会误匹配到类似ENSMU、ENSMUSS这类不符合预期的字符串。如果要筛选以ENSMUS开头的基因ID，应该用^ENSMUS（^表示匹配字符串开头）。

潜在风险：文件路径问题 #

list.files(path="/my/path/tracks")默认只返回文件名，若你的当前工作目录不是/my/path/tracks，read_tsv(i)会在当前目录找文件，很可能找不到报错。虽然你目前没遇到，但最好加上full.names=TRUE获取完整文件路径，避免后续路径问题。

修正后的代码 #

files <- list.files(path="/my/path/tracks", full.names=TRUE)

head(files)

try <- sapply(files, simplify=FALSE, function(i){    
  message("reading file ", i, "..." )
  df <- read_tsv(file = i)
 
  # 正确筛选以ENSMUS开头的基因ID
  df <- df[grep("^ENSMUS", df$gene_id),]
  
  df$ID <- gsub("\\..*","", df$gene_id)   
  # 明确返回处理后的完整数据框
  return(df)
})

验证方法 #

修正后你可以查看数据框的其他列（比如表达量列），或者用nrow(try[[1]])、nrow(try[[2]])对比不同文件的行数，就能看到内容差异了。

内容的提问来源于stack exchange，提问作者jonny jeep