如何在R语言数据框中对重复profile字符串分组并标记组别？

首先先把你的示例数据用R代码还原，方便测试：

library(tidyverse)

# 还原示例数据
database <- tibble(
  sample = 1:6,
  profile = c("A", "A,B", "A,B", "A,C", "C", "A,C")
)

要实现把相同profile归为同一组并标记组号，用dplyr的两种简单方法就能搞定：

方法1：利用因子转整数 #

直接把profile转换成因子，再转成整数，就能得到唯一的组号：

result <- database %>%
  # 把sample列改成"genome X"格式
  mutate(sample = str_c("genome ", sample)) %>%
  # 给每个唯一的profile分配组号
  mutate(`profile group/cluster` = as.integer(factor(profile)))

# 查看结果
result

输出结果和你预期的完全一致：

# A tibble: 6 × 3
  sample   profile `profile group/cluster`
  <chr>    <chr>                     <int>
1 genome 1 A                             1
2 genome 2 A,B                           2
3 genome 3 A,B                           2
4 genome 4 A,C                           3
5 genome 5 C                             4
6 genome 6 A,C                           3

方法2：使用group_indices()函数 #

dplyr的group_indices()可以直接给每个分组生成唯一ID，效果和上面一样：

result <- database %>%
  mutate(sample = str_c("genome ", sample)) %>%
  mutate(`profile group/cluster` = group_indices(., profile))

为什么你之前的代码没实现需求？ #

你用的get_dupes()只是筛选出有重复profile的行，add_count()是统计每个profile对应的样本数量，这两个函数都不会生成你需要的分组编号，而上面的方法直接针对分组生成了连续的整数标记。

内容的提问来源于stack exchange，提问作者Gab