使用dplyr汇总芯片数据时丢失systemic_name列的求助

问题原因 #

你用summarise时，默认只会保留分组列（也就是group_by里的gene_name）和你主动计算的汇总列，其他列会被自动丢弃，这就是systemic_name消失的原因。

解决方案 #

根据gene_name和systemic_name的对应关系，分两种情况处理：

情况1：每个gene_name对应唯一的systemic_name（芯片数据最常见） #

这种场景下，有两种简单处理方式：

方式1：将systemic_name加入分组

直接在group_by里同时指定gene_name和systemic_name，因为每个基因对应唯一的系统名，分组后不会影响均值计算，还能保留该列：

df_expression <- microarray_data |>
  group_by(gene_name, systemic_name) |>
  summarise(
    mean_log_fc = mean(log_fc, na.rm = TRUE),
    mean_ave_exp = mean(ave_expr, na.rm = TRUE),
    mean_p_val = mean(p_value, na.rm = TRUE),
    mean_adj_p_val = mean(adj_p_val, na.rm = TRUE),
    .groups = "drop" # 可选，取消数据的分组状态，方便后续操作
  )

方式2：在summarise里提取唯一的systemic_name

如果不想修改分组，直接在summarise里用unique()提取该基因对应的唯一系统名（因为唯一，unique()会返回单个值）：

df_expression <- microarray_data |>
  group_by(gene_name) |>
  summarise(
    systemic_name = unique(systemic_name),
    mean_log_fc = mean(log_fc, na.rm = TRUE),
    mean_ave_exp = mean(ave_expr, na.rm = TRUE),
    mean_p_val = mean(p_value, na.rm = TRUE),
    mean_adj_p_val = mean(adj_p_val, na.rm = TRUE),
    .groups = "drop"
  )

如果数据里有NA，可改成systemic_name = unique(na.omit(systemic_name))避免返回NA。

情况2：一个gene_name对应多个不同的systemic_name（较少见） #

如果一个基因对应多个系统名，你需要先确定如何处理这些值：

• 保留第一个出现的：systemic_name = first(systemic_name, na.rm = TRUE)
• 保留最后一个出现的：systemic_name = last(systemic_name, na.rm = TRUE)
• 合并成逗号分隔的字符串：systemic_name = paste(unique(systemic_name), collapse = ", ")

把对应代码替换到summarise里即可，示例：

df_expression <- microarray_data |>
  group_by(gene_name) |>
  summarise(
    systemic_name = paste(unique(systemic_name), collapse = ", "),
    mean_log_fc = mean(log_fc, na.rm = TRUE),
    mean_ave_exp = mean(ave_expr, na.rm = TRUE),
    mean_p_val = mean(p_value, na.rm = TRUE),
    mean_adj_p_val = mean(adj_p_val, na.rm = TRUE),
    .groups = "drop"
  )

补充说明 #

之前你尝试用select没用是正常的——select只是用来筛选列，但无法让summarise保留非分组、非汇总计算的列，必须通过上面的方式主动保留systemic_name。

内容的提问来源于stack exchange，提问作者Marcel Vlig