如何分组重复行名并汇总对应ID列表 生成无重复dataframe

你可以根据使用习惯选择以下任意一种实现方式，以下示例假设你的原始数据集存储为名为human_gs的data.frame。如果觉得原始带前缀的列名输入麻烦，可以先执行重命名简化操作：

colnames(human_gs) <- c("gs_name", "entrez_gene")

方法一：tidyverse 实现（推荐，代码可读性高） #

加载dplyr和tidyr包，按基因集名分组汇总为列表后转宽表即可：

library(dplyr)
library(tidyr)

# 若需要基因ID输出为和示例一致的带引号字符格式，先执行类型转换
human_gs$entrez_gene <- as.character(human_gs$entrez_gene)

gs_wide <- human_gs %>%
  group_by(gs_name) %>%
  # 若需要去除同基因集下重复的基因ID，把下面的entrez_gene替换为unique(entrez_gene)
  summarise(gene_set = list(entrez_gene), .groups = "drop") %>%
  pivot_wider(names_from = gs_name, values_from = gene_set)

生成的gs_wide就是目标结构：列名为去重后的gs_name，每列存储对应基因集关联的所有entrez gene值。
要查看指定基因集的基因列表，用双层索引取出内层向量即可，输出格式和你给出的预期完全一致：

# 示例：查看HALLMARK_PANCREAS_BETA_CELLS对应的基因列表
gs_wide$HALLMARK_PANCREAS_BETA_CELLS[[1]]

方法二：Base R 实现（无需安装第三方包） #

不依赖额外扩展包的原生实现逻辑更直接，先按分组拆分再组装为数据框：

# 若需要字符格式ID，提前转换类型
human_gs$entrez_gene <- as.character(human_gs$entrez_gene)
# 按gs_name拆分得到基因列表分组，加unique可去重
split_gs <- split(human_gs$entrez_gene, human_gs$gs_name)
# 转为宽格式数据框
gs_wide <- as.data.frame(lapply(split_gs, list))

注意事项 #

• 由于data.frame原生不支持直接存储长度不一致的向量作为单独列，所以结果中每列实际是长度为1的列表对象，列表的第一个元素才是对应基因集的entrez ID向量，这也是提取内容时需要加[[1]]的原因
• 如果需要导出结果到本地文件，建议遍历每列的基因列表单独写入，不要直接用write.csv等函数操作整个宽表，否则会得到列表对象的类型标识而非实际基因值

内容的提问来源于stack exchange，提问作者C. van Veen