R语言如何按range列条件分组筛选移除数据框冗余行

实现逻辑 #

按sequence字段分组后，提取range列连字符前的起始值，同组同起始值的记录仅保留区间长度最长的行。考虑到数据中存在结束值小于起始值的反向区间，区间长度统一按起止值的绝对差值计算，避免长度判断错误。

完整实现代码 #

代码基于tidyverse生态的dplyr、tidyr包实现，可直接安装加载tidyverse集合包运行：

library(tidyverse)

# 示例数据构造（已修正原构造代码中K343232漏写前缀K的笔误）
df = tibble(sequence = c(rep("K142442",3),rep("K123123",3),rep("K343232",3)),
               range = c("283-423","283-414","192-342","771-250","771-250",
                         "771-250","320-642","320-642","1670-1521"),
               sequence_ID = c(58654,58322,36762,21456,76846,41234,82657,36245,25264))

df_result <- df %>%
  # 拆分range列为起始、结束两个数值列
  separate(range, into = c("start_pos", "end_pos"), sep = "-", convert = TRUE) %>%
  # 计算区间绝对长度，适配正向、反向区间
  mutate(interval_length = abs(end_pos - start_pos)) %>%
  # 按序列名、区间起始值分组
  group_by(sequence, start_pos) %>%
  # 筛选每组中区间长度最长的记录，长度重复时保留第一条
  filter(interval_length == max(interval_length)) %>%
  slice(1) %>%
  ungroup() %>%
  # 还原range列格式，移除中间辅助列
  mutate(range = paste(start_pos, end_pos, sep = "-")) %>%
  select(sequence, range, sequence_ID)

输出结果 #

运行代码后得到的结果和预期完全一致：

注意事项 #

• 代码中使用绝对差值计算区间长度，可同时兼容283-423这类正向区间和771-250这类反向区间，不会出现长度为负的判断偏差
• 若同组同起始值下存在多条区间长度完全一致的记录，slice(1)会默认保留排在最前面的记录，和示例中K123123组3条同长度记录保留第一条的预期匹配

内容的提问来源于stack exchange，提问作者Valentin