如何在R中对ID-gene组合去重并保留指定status的行

针对你处理超20万行、含26000个ID的大型data frame的需求——每个ID-gene组合优先保留Positive状态的行，仅当无Positive时保留一条Negative行，这里有两种高效的实现方式：

方法一：用dplyr（推荐，代码简洁高效） #

dplyr的分组操作非常适合这类需求，代码可读性强，处理大数据量也很高效：

首先补全你的示例数据构造代码（原代码缺失ID向量）：

ID <- c("1001A", "1001A", "1001A", "1001A", "1002B", "1002B", "1002B")
gene <- c('Gene 1', "Gene 2", "Gene 1", "Gene 1", "Gene 1", "Gene 1", "Gene 1")
status <- c("Negative", "Negative", "Positive", "Negative", "Negative", "Negative", "Negative")
df <- data.frame(ID, gene, status, stringsAsFactors = FALSE)
# 按需求将status转为因子类型
df$status <- factor(df$status, levels = c("Negative", "Positive"))

然后执行筛选逻辑：

library(dplyr)

filtered_df <- df %>%
  # 按ID和gene的组合分组
  group_by(ID, gene) %>%
  # 按status降序排序，让Positive排在每组最前面（因为因子水平Negative在前，降序后Positive优先）
  arrange(desc(status)) %>%
  # 取每组的第一行
  slice_head(n = 1) %>%
  # 取消分组状态
  ungroup()

# 查看结果
print(filtered_df)

输出结果完全匹配你的示例要求：

# A tibble: 3 × 3
  ID    gene   status
  <chr> <chr>  <fct> 
1 1001A Gene 1 Positive
2 1001A Gene 2 Negative
3 1002B Gene 1 Negative

方法二：Base R实现（无需加载额外包） #

如果不想加载dplyr包，用Base R也能实现需求：

# 先给状态赋值权重：Positive为2，Negative为1
df$weight <- ifelse(df$status == "Positive", 2, 1)

# 按ID-gene分组，筛选出每组中权重最大的行
temp_df <- df[with(df, ave(weight, ID, gene, FUN = function(x) x == max(x))), ]
# 去重（避免同一ID-gene组合有多个Positive时保留多行）
filtered_df_base <- temp_df[!duplicated(temp_df[c("ID", "gene")]), ]
# 移除临时的weight列
filtered_df_base <- filtered_df_base[, !names(filtered_df_base) %in% "weight"]

# 查看结果
print(filtered_df_base)

补充说明 #

• 对于你的大数据量，dplyr的方法在效率上更有优势，若需要极致性能还可以搭配data.table的分组操作进一步提速；
• 确保status因子的水平设置正确，如果你的因子水平是c("Positive", "Negative")，排序时直接用arrange(status)即可，无需降序。

内容的提问来源于stack exchange，提问作者user305007