R语言如何合并长度一致仅相差.或-的重复行名对应数据行

问题说明 #

处理data.frame时遇到行名重复问题：重复行仅在行名的.和-字符上有差异，示例数据构造代码如下：

df <- data.frame(cell1 = c(0,1,2,3,4,5,6,7), cell2 = c(0,1,2,3,4,5,6,7))
rownames(df) <- c("HLA.F", "HLA.G", "HLA.A", "HLA-F", "HLA-G", "HLA-A", "HLA-F-AS1", "HLA-E")

df
#>           cell1 cell2
#> HLA.F         0     0
#> HLA.G         1     1
#> HLA.A         2     2
#> HLA-F         3     3
#> HLA-G         4     4
#> HLA-A         5     5
#> HLA-F-AS1     6     6
#> HLA-E         7     7

需要严格按照以下规则合并：

• 仅合并行名字符长度完全一致、除.和-外其余字符完全相同的重复行
• 合并后统一保留带.的版本作为最终行名
• 长度不同的相似行名（如示例中的HLA-F-AS1）、无匹配重复项的行（如示例中的HLA-E）不做合并，原样保留
  预期输出参考：

#>           cell1 cell2
#> HLA.F         3     3
#> HLA.G         5     5
#> HLA.A         7     7
#> HLA-F-AS1     6     6
#> HLA-E         7     7

原有循环代码仅能实现部分重复项匹配，无法覆盖长度校验、无重复项保留的场景，原有代码如下：

for (i in unique(rownames(df)))
{
  test <- grep(i, unique(rownames(df)))
  df.2 <- t(df[test,])
  #get duplicated names
  df.2.cols <- colnames(df.2)
  #get name with period
  test.period <- grep("[.]",df.2.cols, value = TRUE)
  #merge them
  df.2 <- apply(df.2[,df.2.cols], 1, function(x) x[!is.na(x)][1])
  df.2 <- t(as.data.frame(df.2))
  rownames(df.2) <- test.period
  #remove duplicates and replace it with merged row
  df <- df[!(row.names(df) %in% df.2.cols), ]
  df <- rbind(df, df.2)
}

实现代码 #

无需安装额外依赖包，直接用基础R函数即可实现，核心逻辑是先给每行生成唯一分组键，再按组聚合：

# 提取原始行名
raw_rn <- rownames(df)
# 生成分组键：将.和-统一替换为相同字符+拼接行名长度，保证仅等长、仅.-差异的行分到同一组
group_id <- paste0(gsub("[.-]", "_", raw_rn), "_", nchar(raw_rn))

# 按分组聚合处理
df_merged <- do.call(rbind, lapply(split(seq_len(nrow(df)), group_id), function(row_idx) {
  group_rn <- raw_rn[row_idx]
  # 优先选取带.的行名作为合并后的行名，无带.的行名则保留原始行名
  target_rn <- if (any(grepl("\\.", group_rn))) {
    grep("\\.", group_rn, value = TRUE)
  } else {
    group_rn
  }
  # 聚合取值：示例预期取同组靠后行的数值，若需要求和/取均值/最大值可直接修改此处逻辑
  res <- df[tail(row_idx, 1), , drop = FALSE]
  rownames(res) <- target_rn
  res
}))

# 输出合并结果
print(df_merged)

聚合逻辑可按需调整：如果需要同组数值求和，将取值部分替换为as.data.frame(t(colSums(df[row_idx, ])))即可；如果需要取均值替换为as.data.frame(t(colMeans(df[row_idx, ])))。

内容的提问来源于stack exchange，提问作者KaitS