使用dplyr按条件查找含基因A与不含A分组间的特有基因

解决思路 #

• 先识别出所有含基因A的分组、不含基因A的分组
• 提取不含A的分组中所有出现过的基因作为排除列表
• 从含A分组的基因列表中，排除掉基因A本身和排除列表中的基因，即为符合要求的结果

1. tidyverse实现（易读性高） #

library(dplyr)

# 提取含基因A的分组
group_with_A <- df %>%
  filter(gene == "A") %>%
  pull(group) %>%
  unique()

# 提取不含A的分组中所有出现过的基因（黑名单）
gene_blacklist <- df %>%
  filter(!group %in% group_with_A) %>%
  pull(gene) %>%
  unique()

# 筛选符合要求的结果
result <- df %>%
  filter(group %in% group_with_A, # 仅保留含A的分组
         gene != "A", # 排除A本身
         !gene %in% gene_blacklist) # 排除在非A分组出现过的基因

result

输出结果和预期一致：

gene  group
1    F group1
2    E group2

2. base R实现（无需额外安装包） #

# 提取含基因A的分组
group_with_A <- unique(df[df$gene == "A", "group"])
# 提取基因黑名单
gene_blacklist <- unique(df[!df$group %in% group_with_A, "gene"])
# 筛选结果
result <- df[df$group %in% group_with_A & df$gene != "A" & !df$gene %in% gene_blacklist, ]

3. data.table实现（适合超大规模dataframe，效率最优） #

library(data.table)
setDT(df) # 转换为data.table格式

group_with_A <- unique(df[gene == "A", group])
gene_blacklist <- unique(df[!group %in% group_with_A, gene])
result <- df[group %in% group_with_A & gene != "A" & !gene %in% gene_blacklist]

内容的提问来源于stack exchange，提问作者LDT