大数据集相关性检验：样本间相关性计算方法合理性咨询

你的思路方向是对的，但现有代码存在关键问题——expression1和expression2都是字符类型，cor()函数无法对字符计算相关性，会返回错误结果，必须先转成数值型。另外还有可以优化的细节，下面分两部分说明：

一、修正你的现有代码 #

先将表达量列转换为数值类型，再执行你的逻辑：

# 转换表达量列的类型（必须步骤）
df1$expression1 <- as.numeric(df1$expression1)
df2$expression2 <- as.numeric(df2$expression2)

# 修正后的关联计算
test <- left_join(df2, df1, by = "gene") %>%
  group_by(sample1, sample2) %>%
  summarize(cor = cor(expression1, expression2), .groups = "drop")

这里添加.groups = "drop"是为了清除分组后的数据框残留分组标记，方便后续处理。

二、更高效的替代方案 #

如果数据量较大，长格式合并后分组计算可能存在冗余，你可以先把df1转成宽格式（每个样本对应一列表达量），再直接和df2的表达量列计算相关性：

library(tidyr)
library(purrr)
library(dplyr)

# 将df1转换为宽格式
df1_wide <- df1 %>%
  pivot_wider(id_cols = gene, names_from = sample1, values_from = expression1) %>%
  mutate(across(a:c, as.numeric))

# 合并df2的表达量数据
df_combined <- df1_wide %>%
  left_join(
    df2 %>% select(gene, expression2) %>% mutate(expression2 = as.numeric(expression2)),
    by = "gene"
  )

# 批量计算每个样本与g的相关性
cor_results <- map_df(c("a", "b", "c"), function(samp) {
  tibble(
    sample1 = samp,
    sample2 = "g",
    cor = cor(df_combined[[samp]], df_combined$expression2)
  )
})

这种方式逻辑更直观，也能避免长格式合并后的数据冗余问题。

另外，由于两个数据框的基因完全匹配，用inner_join替代left_join也可以，结果一致且能避免潜在的不匹配基因干扰。

内容的提问来源于stack exchange，提问作者szmple