使用dplyr结合lead/lag处理重复行并替换PeakType值

针对你描述的场景——大型DataFrame中部分行因UnionChr、UnionStart、UnionEnd三列重复形成行组，组内一行PeakType为WT Specific/DKO Specific、另一行为N/A，需要保留含有效Intersect信息的行、补全其PeakType的N/A并移除重复行，以下是基于dplyr的实现代码：

方案一：基于组内有效值提取（更稳健） #

test <- df %>% 
  # 按重复列分组
  group_by(UnionChr, UnionStart, UnionEnd) %>% 
  # 提取组内非NA的PeakType有效值
  mutate(group_valid_peak = first(na.omit(PeakType))) %>% 
  # 替换当前行PeakType的NA为组内有效值
  mutate(PeakType = ifelse(is.na(PeakType), group_valid_peak, PeakType)) %>% 
  # 筛选含有效Intersect信息的行（需根据实际定义调整，示例为Intersect非NA）
  filter(!is.na(Intersect)) %>% 
  # 移除临时辅助列
  select(-group_valid_peak) %>% 
  # 取消分组
  ungroup()

方案二：基于lead/lag函数（符合指定函数要求） #

如果必须使用lead/lag处理行顺序不确定的重复行，可采用以下逻辑：

test <- df %>% 
  group_by(UnionChr, UnionStart, UnionEnd) %>% 
  # 根据前后行补全PeakType的NA
  mutate(PeakType = case_when(
    # 非NA值直接保留
    !is.na(PeakType) ~ PeakType,
    # 当前行NA，优先取后一行的有效值
    is.na(PeakType) & !is.na(lead(PeakType)) ~ lead(PeakType),
    # 当前行NA，取前一行的有效值
    is.na(PeakType) & !is.na(lag(PeakType)) ~ lag(PeakType),
    # 非重复行的NA保持原样
    TRUE ~ PeakType
  )) %>% 
  # 筛选含有效Intersect信息的行
  filter(!is.na(Intersect)) %>% 
  ungroup()

关键说明 #

1. 分组逻辑：严格按UnionChr、UnionStart、UnionEnd分组，确保仅处理目标重复行组
2. 补全逻辑：仅将重复行组内的PeakType NA替换为同组有效值，非重复行的NA不受影响
3. 筛选条件：filter(!is.na(Intersect))需根据你对“有效Intersect信息”的实际定义调整（比如特定字符串、非空值等）

内容的提问来源于stack exchange，提问作者ispeakcat