R语言如何移除数据框两列间匹配字符直至仅保留差异字符

你需要实现的是基因组等位基因格式化的常见操作：从字符串首位开始逐位比对，移除两列共有的连续前缀，直到某一列被清空、或两列首位字符不再匹配为止，不需要逐次调用gsub，用基础R的向量化操作可以很简洁地实现。

实现代码 #

基础R版本（无需安装第三方包） #

首先定义批量处理共有前缀的函数，直接替换数据框对应列即可：

# 定义移除共有前缀的函数
trim_common_prefix <- function(ref_col, alt_col) {
  # 逐行拆分字符串为字符向量
  ref_split <- strsplit(ref_col, "")
  alt_split <- strsplit(alt_col, "")
  
  # 逐行计算共有前缀的长度
  prefix_len <- mapply(function(r, a) {
    min_len <- min(length(r), length(a))
    if (min_len == 0) return(0)
    # 找第一个不匹配的字符位置
    first_diff <- which(r[seq_len(min_len)] != a[seq_len(min_len)])[1]
    # 全匹配则返回较短字符串的长度，否则返回第一个不匹配位置的前一位
    ifelse(is.na(first_diff), min_len, first_diff - 1)
  }, ref_split, alt_split)
  
  # 截取去掉前缀后的字符串
  list(
    REF = substr(ref_col, prefix_len + 1, nchar(ref_col)),
    Effect_allele = substr(alt_col, prefix_len + 1, nchar(alt_col))
  )
}

# 替换原数据框列
trim_res <- transform(
  df,
  REF = trim_common_prefix(REF, Effect_allele)$REF,
  Effect_allele = trim_common_prefix(REF, Effect_allele)$Effect_allele
)

运行后输出结果和逻辑预期完全一致：

CHROM POS_GRCh38         REF Effect_allele Effect_size
234  chr1  109655507         AAA                 0.0266
240  chr1  145830809           T                 0.0126
243  chr1  168201814                       A      0.0718
244  chr1  172359627           A                 0.0655
249  chr1  204533386 TCTGAAACAGGG            C      0.1345

注：你给出的预期结果中第四行Effect_allele列的T属于排版空格错位，按比对逻辑该行共同前缀为第一位的T，移除后Effect_allele应为空值。

Tidyverse版本（适合管道操作习惯） #

如果平时用dplyr处理数据，可以用更简短的行内操作实现：

library(dplyr)
library(stringr)

trim_res <- df %>% 
  rowwise() %>% 
  mutate(
    # 计算共有前缀长度
    com_len = min(nchar(REF), nchar(Effect_allele)) %>% 
      seq_len() %>% 
      {which(str_sub(REF, ., .) != str_sub(Effect_allele, ., .))[1] - 1} %>% 
      replace(is.na(.), min(nchar(REF), nchar(Effect_allele))),
    # 截取字符串
    REF = str_sub(REF, com_len + 1),
    Effect_allele = str_sub(Effect_allele, com_len + 1),
    # 删除临时列
    com_len = NULL
  ) %>% 
  ungroup()

方案优势 #

• 不需要提前判断两列字符串长度、手动创建最大值/最小值索引，逻辑更直白
• 向量化运算效率远高于逐行循环、多次调用gsub的写法，处理十万级以上的GWAS汇总数据速度优势明显
• 不会出现gsub误匹配字符串中间相同字符的问题，完全符合VCF文件等位基因标准化的左对齐trim规则，如果后续需要移除共有后缀，只要在函数中增加反向逐位匹配的逻辑即可。

内容的提问来源于stack exchange，提问作者Achal Neupane