如何在R dataframe中删除某列包含指定文本的重复观测行

前置准备（示例数据构造，可跳过） #

df <- data.frame(
  X1 = rep("rs6908903", 5),
  X10 = c("chr6", "chr6_GL000251v2_alt", "chr6_GL000252v2_alt", "chr6_GL000252v2_alt", "chr6_GL000252v2_alt")
)

方法1：基础R实现 #

无需加载额外包，直接用基础函数处理：

# 第一步：剔除X10含GL000的行，同时保留X10为chr6的行
df_filter <- df[!grepl("GL000", df$X10) & df$X10 == "chr6", ]
# 第二步：仅保留第一行
df_new <- df_filter[1, ]

如果需要按X1分组，每个SNP保留第一个符合条件的行，调整为：

df_new <- do.call(rbind, by(df, df$X1, function(sub_df) {
  sub_df[!grepl("GL000", sub_df$X10) & sub_df$X10 == "chr6", ][1, ]
}))

方法2：dplyr 实现（更简洁易读） #

library(dplyr)
df_new <- df %>%
  # 剔除含GL000的行，仅保留X10为chr6的行
  filter(!grepl("GL000", X10), X10 == "chr6") %>%
  # 取第一行，旧版本dplyr可替换为slice(1)
  slice_head(n = 1)

如果需要按X1分组保留每个组的第一个符合条件的行，加group_by即可：

df_new <- df %>%
  group_by(X1) %>%
  filter(!grepl("GL000", X10), X10 == "chr6") %>%
  slice_head(n = 1) %>%
  ungroup()

输出结果验证 #

对示例数据处理后，最终输出为：

X1  X10
1 rs6908903 chr6

完全符合需求。

内容的提问来源于stack exchange，提问作者Mahan