如何用R筛选非零值占比超过75%的数据框列（基因）

实现思路 #

核心逻辑是计算每列中非零值的占比，筛选出占比超过75%的列，步骤如下：

• 统计每列非零值的比例
• 基于比例阈值（>0.75）筛选目标列

具体代码 #

首先加载数据（需指定表头和行名参数，确保数据结构正确）：

x <- read.table(text = "    Gene1   Gene2   Gene3   Gene4
cell1   0   0   0   0
cell2   1   2   1.7 1.5
cell3   2   0   2.5 0
cell4   2.5 0   2.1 2.5
cell5   2   0   0.8 1.5
cell6   3   0   0.5 2.1
cell7   0   0   0   1.2
cell8   0   0   1.6 1.5
cell9   1.6 0   2.3 2.7
cell10  2.4 0   2.1 2.1", header = TRUE, row.names = 1)

基础R实现

# 计算每列非零值占比
non_zero_ratio <- colMeans(x != 0)
# 筛选占比>75%的列
filtered_x <- x[, non_zero_ratio > 0.75]
# 查看筛选结果
filtered_x

tidyverse（dplyr）实现

如果习惯使用tidyverse工具链，可采用更简洁的写法：

library(dplyr)
filtered_x <- x %>% 
  select(where(~ mean(.x != 0) > 0.75))

结果说明 #

根据给定数据的实际计算：

• Gene1非零占比70%（不满足>75%）
• Gene2非零占比10%（被剔除）
• Gene3非零占比80%（保留）
• Gene4非零占比90%（保留）
  最终结果保留Gene3和Gene4。若需求为≥75%，只需将代码中的> 0.75改为>= 0.75，即可保留Gene1、Gene3、Gene4。

内容的提问来源于stack exchange，提问作者sswzrdss