如何将R数据框转换为带共现计数的矩阵？

原始数据 #

首先定义输入数据框：

df <- data.frame(
  ID = c("1", "1", "1", "1", "2", "2","2","2","3","3","3","3"),  
  plist = c("CP1", "P2", "P3", "P4", "P1", "P2","P3","CP2","CP1","P2","P3","P5")
)

方法一：使用tidyverse工具链（简洁易读） #

借助dplyr和tidyr包可快速实现需求，步骤清晰：

library(dplyr)
library(tidyr)

result <- df %>%
  # 按样本ID分组
  group_by(ID) %>%
  # 提取每个ID下的CP项和所有P项
  summarise(
    cp = plist[grepl("^CP", plist)],
    p = list(plist[grepl("^P", plist)]),
    .groups = "drop"
  ) %>%
  # 将每个CP对应的P列表展开为单独行
  unnest(p) %>%
  # 统计每对CP-P的共现次数
  count(cp, p, name = "count") %>%
  # 转换为宽格式矩阵，缺失组合填充0
  pivot_wider(names_from = p, values_from = count, values_fill = 0) %>%
  # 将CP列设为行名
  column_to_rownames("cp")

# 查看结果
print(result)

运行后输出的结果即为目标计数矩阵：

P1 P2 P3 P4 P5
CP1  0  2  2  1  1
CP2  1  1  1  0  0

方法二：使用Base R（无需额外安装包） #

若不想依赖第三方包，可通过Base R实现相同逻辑：

# 提取每个ID对应的CP和P集合
id_cp <- tapply(df$plist, df$ID, function(x) x[grepl("^CP", x)])
id_p <- tapply(df$plist, df$ID, function(x) x[grepl("^P", x)])

# 生成所有CP-P的空计数组合
cp_list <- unique(unlist(id_cp))
p_list <- unique(unlist(id_p))
pair_counts <- expand.grid(cp = cp_list, p = p_list, count = 0)

# 遍历每个ID，累加共现次数
for(i in names(id_cp)){
  current_cp <- id_cp[[i]]
  current_ps <- id_p[[i]]
  for(p in current_ps){
    pair_counts$count[pair_counts$cp == current_cp & pair_counts$p == p] <- pair_counts$count[pair_counts$cp == current_cp & pair_counts$p == p] + 1
  }
}

# 转换为宽格式矩阵
result_matrix <- reshape(pair_counts, idvar = "cp", timevar = "p", direction = "wide")
rownames(result_matrix) <- result_matrix$cp
result_matrix$cp <- NULL
colnames(result_matrix) <- gsub("count\\.", "", colnames(result_matrix))

# 查看结果
print(result_matrix)

核心逻辑说明 #

两种方法的核心思路一致：

1. 按ID分组，区分每个样本中的CP项和P项；
2. 建立CP与对应P项的配对关系；
3. 统计每对CP-P在不同ID中出现的次数；
4. 整理为目标矩阵格式。

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