在R中如何对比分组重复行并计算组内统计指标？

嗨，我看你正在处理按ID分组的基因Score数据集，想要计算几个特定的统计占比，已经尝试了duplicated()和filter()但不知道接下来该用什么函数对吧？别担心，用dplyr这套工具就能轻松搞定，我给你一步步拆解：

首先先把你的输入数据放出来方便后续操作：

df <- structure(list(ID = c("1:10", "1:10", "1:10", "2:20", "2:20", "3:30", "3:30", "3:30"), 
                     Gene = c("Gene1", "Gene1", "Gene4", "Gene5", "Gene6", "Gene7", "Gene8", "Gene8"), 
                     Score = c(0.8, 0.78, 0.6, 0.1, 0.7, 0.4, 0.6, 0.5)), 
                row.names = c(NA, -8L), class = c("data.table", "data.frame"))

第一个统计指标：组内拥有1个以上Score>0.7的基因的ID组占比 #

思路：同一个Gene可能对应多个Score（比如ID1:10里的Gene1有两个Score），我们只需要判断每个Gene在对应ID组里是否至少有一个Score>0.7，然后统计有多少个ID组满足“这样的基因数量≥1”，最后除以总ID数得到占比。

对应的代码实现：

library(dplyr)

# 第一步：按ID+Gene分组，标记每个基因是否存在Score>0.7的记录
gene_level_check <- df %>%
  group_by(ID, Gene) %>%
  summarise(has_high_score = any(Score > 0.7),  # any()判断组内是否存在符合条件的元素
            .groups = "drop")  # 取消分组

# 第二步：按ID分组，统计每个ID下满足条件的基因数量
id_level_count <- gene_level_check %>%
  group_by(ID) %>%
  summarise(high_score_gene_num = sum(has_high_score),  # sum()对逻辑值求和，TRUE=1，FALSE=0
            .groups = "drop")

# 第三步：计算占比，mean()直接计算逻辑向量的平均值就是占比
ratio_high_score <- mean(id_level_count$high_score_gene_num >= 1) * 100
cat("组内拥有1个以上Score>0.7的基因的ID组占比：", round(ratio_high_score, 1), "%\n")
# 输出结果就是示例中的33.3%

这里核心用到的函数：

• group_by()：用来按指定字段（ID、Gene）分组，是后续聚合操作的基础
• summarise()：对分组后的数据做聚合计算，生成新的统计列
• any()：判断分组内是否存在至少一个满足条件的元素，返回逻辑值
• mean()：对逻辑向量求平均，直接得到符合条件的ID组占比（非常实用的小技巧）

第二个统计指标：同时存在Score=0.7和Score=0.1的基因的ID组占比 #

思路：直接按ID分组，判断每个组内是否同时存在Score=0.1的记录和Score=0.7的记录，然后统计符合条件的ID数量，除以总ID数得到占比。

对应的代码实现：

# 第一步：按ID分组，标记每个组是否包含Score=0.1和Score=0.7
id_condition_check <- df %>%
  group_by(ID) %>%
  summarise(has_score_01 = any(Score == 0.1),
            has_score_07 = any(Score == 0.7),
            .groups = "drop")

# 第二步：筛选同时满足两个条件的ID组，计算占比
qualified_ids <- id_condition_check %>% filter(has_score_01 & has_score_07)
ratio_double_condition <- (nrow(qualified_ids) / length(unique(df$ID))) * 100
cat("同时存在Score=0.7和Score=0.1的基因的ID组占比：", round(ratio_double_condition, 1), "%\n")
# 输出结果就是示例中的33.3%

小提示： #

如果你的数据存在浮点精度问题（比如Score实际存储为0.7000001或0.6999999），建议用dplyr::near(Score, 0.7, tol = 1e-6)代替Score == 0.7，避免因为浮点误差导致判断错误。

内容的提问来源于stack exchange，提问作者DN1