R语言中比较DataFrame成对列并生成Status列的更优方案咨询

原始数据结构 #

你提供的示例数据框结构如下：

df <- structure(list(`chr1:110363793:G:C_A1` = c("1", "2", "2", "2"
), `chr1:110363793:G:C_A2` = c("2", "1", "2", "2"), `chr1:110363823:A:G_A1` = c("2", 
"2", "2", "2"), `chr1:110363823:A:G_A2` = c("2", "2", "2", "2"
), `chr1:110363849:A:G_A1` = c("2", "2", "2", "2"), `chr1:110363849:A:G_A2` = c("2", 
"2", "1", "2")), row.names = c("4_653_99", "4_677_99", "25_9_172", 
"27_135_62706"), class = "data.frame")

需求说明 #

列名按照「公共前缀+_A1/_A2」成对出现，对每一对列逐行比较：

• 两行值相同，对应Status列赋值为0
• 两行值不同，对应Status列赋值为1
• 新增Status列命名规则为「公共前缀_Status」

现有for循环实现 #

你当前使用的for循环方案如下：

vars <- unique(sapply(strsplit(colnames(df),"_"), `[`, 1))
for (i in 1:length(vars)){
  df[, paste(vars[i], "Status", sep = "_")] <- as.numeric(df[,paste0(vars[i], "_A1")]!=df[,paste0(vars[i], "_A2")])
}

更优实现方案 #

方案1：纯base R向量化实现（无第三方依赖，性能最优） #

直接利用数据框的批量比较特性，完全避免显式循环，代码更精简，运行效率远高于for循环，尤其适合大样本量场景：

# 匹配所有_A1结尾的列，提取公共前缀，生成对应_A2列和Status列名
a1_cols <- grep("_A1$", colnames(df), value = TRUE)
prefixes <- sub("_A1$", "", a1_cols)
a2_cols <- paste0(prefixes, "_A2")
status_cols <- paste0(prefixes, "_Status")
# 批量比较直接赋值
df[status_cols] <- as.numeric(df[a1_cols] != df[a2_cols])

方案2：tidyverse实现（可读性更强，易维护） #

如果你的项目已经在使用tidyverse生态，可以用dplyr的across语法实现，逻辑更直观：

library(dplyr)
library(stringr)
df <- df %>%
  mutate(across(ends_with("_A1"), 
                ~as.numeric(.x != get(str_replace(cur_column(), "_A1$", "_A2"))),
                .names = "{str_remove(.col, '_A1$')}_Status"))

两种方案输出的结果和你预期的完全一致。

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