R语言如何匹配同一基因有多条记录的两个数据集

解决方案 #

你之前的两种方法不符合预期的原因：

• 默认merge是内连接，仅保留两个表共有的匹配项，所以会丢失set2中没有对应记录的NLRP2、ANK1
• match仅返回第一个匹配项的索引，无法展开同一个symbol对应的多条通路记录

方法1：基础R实现 #

只需给merge指定左连接参数即可，同时关闭默认排序保留set1的原有顺序：

result <- merge(set1, set2, by = "symbol", all.x = TRUE, sort = FALSE)
# 调整列顺序和你预期输出一致（将gene列放在最前）
result <- result[, c("gene", "bM", "fold", "value", "symbol", "geneID", "pathway", "pathwayID")]

方法2：dplyr实现（语法更直观） #

用left_join直接实现左连接，自动保留左表所有行、匹配右表所有对应记录：

library(dplyr)
result <- left_join(set1, set2, by = "symbol")

两种方法得到的结果和你给出的预期输出完全一致：匹配到多通路的基因会自动展开为多行，无匹配的基因对应通路相关字段自动填充NA。

内容的提问来源于stack exchange，提问作者user3224522