R语言多数据框取交集后如何按存在条件筛选目标基因

核心思路是先把列表里的数据框合并成长表，再转换成每个基因一行、每个数据框一列的宽表，用布尔值标记基因在对应数据框是否存在，之后直接按列的布尔组合做筛选即可，能覆盖所有你需要的场景，比之前用min/max判断的方法灵活度高很多，不管有多少个数据框都能用。

测试数据 #

library(tidyverse)
df1 = data.frame(genes = c('gene1', 'gene3', 'gene4', 'gene2','gene11'))
df2 = data.frame(genes = c('gene3', 'gene2', 'gene5', 'gene1', "genet",'gene11'))
df3 = data.frame(genes = c('gene6', 'gene3', 'gene4', 'gdene7','gene11', 'genex', "gene10"))
dfList <- list(df1, df2, df3) 

第一步：预处理生成基因存在标记表 #

先把长表转成宽表，用TRUE标记基因存在，FALSE标记不存在，替代原来的数字/NA值，后续判断逻辑更清晰：

gene_presence <- dfList %>% 
  bind_rows(.id="df") %>% 
  mutate(is_present = TRUE) %>% 
  pivot_wider(
    names_from = df, 
    names_prefix = "df", 
    values_from = is_present, 
    values_fill = FALSE
  )

处理完的表结构如下，每一行对应一个基因，三列df1/df2/df3直接标记存在状态：

# A tibble: 11 × 4
   genes  df1   df2   df3  
   <chr>  <lgl> <lgl> <lgl>
 1 gene1  TRUE  TRUE  FALSE
 2 gene3  TRUE  TRUE  TRUE 
 3 gene4  TRUE  FALSE TRUE 
 4 gene2  TRUE  TRUE  FALSE
 5 gene11 TRUE  TRUE  TRUE 
 6 gene5  FALSE TRUE  FALSE
 7 genet  FALSE TRUE  FALSE
 8 gene6  FALSE FALSE TRUE 
 9 gdene7 FALSE FALSE TRUE 
10 genex  FALSE FALSE TRUE 
11 gene10 FALSE FALSE TRUE 

各场景筛选代码 #

• 筛选同时存在于三个数据框的基因
  直接判断三列均为TRUE即可：

  gene_presence %>% 
    filter(df1, df2, df3) %>% 
    pull(genes)
  

  运行结果：[1] "gene3" "gene11"

• 筛选存在于指定两个数据框的基因（以仅存在于df1、df2为例）
  判断目标两个数据框标记为TRUE，其余数据框标记为FALSE：

  gene_presence %>% 
    filter(df1, df2, !df3) %>% 
    pull(genes)
  

  运行结果：[1] "gene1" "gene2"
  如果不需要排除第三个数据框，只要基因同时在df1和df2存在即可，不管是否在df3出现，直接去掉!df3的判断条件就行。

• 筛选仅存在于单个指定数据框的基因（以仅存在于df2为例）
  判断目标数据框标记为TRUE，其余所有数据框标记为FALSE：

  gene_presence %>% 
    filter(!df1, df2, !df3) %>% 
    pull(genes)
  

  运行结果：[1] "gene5" "genet"
  你之前用min/max方法筛选仅在df3存在的基因，用这个逻辑写就是filter(!df1, !df2, df3)，跑出来的结果和你之前得到的gdene7、gene10、gene6、genex完全一致。

内容的提问来源于stack exchange，提问作者PesKchan