使用dplyr比较R数据框两列表型列的差异结果异常问题

问题原因 #

• 运算逻辑错误：你使用的group_by(seqs) + mutate的写法不会触发逐行计算，setdiff默认将两个列表列整体作为输入计算差集，而非逐行配对计算两个向量的差集。
• 字符串匹配误差：拆分字符串后部分位点前后带有多余空格，例如" N:G204R"和"N:G204R"会被判定为不同字符串，导致差集计算结果偏差。

修正代码 #

library(dplyr) # v1.0.7及以上版本适用

seqs <- c("seq1","seq2","seq3","seq4","seq5")
expect_mut <- c("S:T20N,S:D614G","S:T20N,S:D614G","S:T20N,N:G204R,N:G80R", "N:G204R, S:D614G", "N:G204R, S:D614G")
observed_mut <- c("S:T20N","S:D164G","S:T20N, N:G204R","S:D614G,N:G204R","S:D164G,S:T19I")

data_frame <- data.frame(seqs, expect_mut, observed_mut)
data_frame <- data_frame %>% 
  mutate(
    # 拆分字符串同时去除每个元素的前后空格
    expect_mut = lapply(strsplit(as.character(expect_mut), ","), trimws),
    observed_mut = lapply(strsplit(as.character(observed_mut), ","), trimws)
  ) %>%
  # 声明逐行运算
  rowwise() %>%
  # 计算差集后用list包裹，保证输出为列表列
  mutate(diff_mut = list(setdiff(observed_mut, expect_mut))) %>%
  # 可选：取消行分组，不影响后续运算
  ungroup()

代码说明 #

• 新增trimws处理清除拆分后字符串的多余空格，保证相同位点字符串匹配一致。
• 使用rowwise()声明逐行运算逻辑，每一行单独计算两个向量的差集。
• setdiff返回的向量用list()包裹，确保输出为列表列格式，符合原有数据结构要求。

如果你不想用rowwise语法，也可以用基础函数mapply实现逐行配对计算，写法如下：

data_frame <- data_frame %>% 
  mutate(
    expect_mut = lapply(strsplit(as.character(expect_mut), ","), trimws),
    observed_mut = lapply(strsplit(as.character(observed_mut), ","), trimws),
    diff_mut = mapply(setdiff, observed_mut, expect_mut, SIMPLIFY = FALSE)
  )

两种写法最终输出的结果完全一致，均符合预期要求。

内容的提问来源于stack exchange，提问作者heuristic