在R中如何依据另一列表为数据框匹配添加对应基因名称新列

首先先统一两个数据结构的命名，方便代码复用：

• 2031*2的果蝇-家蚕同源蛋白数据框记为df_protein，用于匹配的蛋白列列名记为protein_id
• 蛋白-基因名对应关系表记为df_map，包含两列：gene_name（基因名称）、protein_id（对应蛋白ID）

方法1：基础R实现（无需额外安装包） #

用match()函数匹配，不会改变原数据框的行顺序：

# 匹配填充新列，未匹配到的默认为NA
df_protein$gene_name <- df_map$gene_name[match(df_protein$protein_id, df_map$protein_id)]
# 可选：把NA替换为空字符串，和示例效果一致
df_protein$gene_name[is.na(df_protein$gene_name)] <- ""

方法2：dplyr实现（代码更易读） #

用left_join关联两个表：

# 加载包
library(dplyr)

# 关联填充新列，未匹配到的默认为NA
df_protein <- df_protein %>% 
  left_join(df_map, by = "protein_id") %>%
  # 可选：把NA替换为空字符串
  mutate(gene_name = replace(gene_name, is.na(gene_name), ""))

如果两个表用于匹配的列名不同，修改by参数即可，比如df_protein的匹配列叫bombyx_protein，df_map的匹配列叫protein_id，就把by参数改为by = c("bombyx_protein" = "protein_id")。

示例验证 #

用你给出的示例数据测试，效果完全匹配：

# 模拟示例的List1
df_protein <- data.frame(
  col1 = c(1,2,3),
  protein_id = c("a","b","c")
)
# 模拟示例的List2
df_map <- data.frame(
  gene_name = c("A","C"),
  protein_id = c("a","c")
)

# 执行匹配后df_protein输出如下：
#   col1 protein_id gene_name
# 1    1          a         A
# 2    2          b          
# 3    3          c         C

注意事项 #

如果存在单个蛋白对应多个基因名的情况：

• match()函数只会返回第一个匹配到的基因名，保持原数据框行数不变
• left_join()会为每个匹配到的基因名生成一行，原数据框行数会增加，按需选择即可。

内容的提问来源于stack exchange，提问作者程劲韬