R语言如何按基因、时间点分组统计对应唯一参与者ID数量？

原代码错误原因 #

• 内层循环中反复对原始数据集IgH_CDR3_post_challenge_unique执行filter并覆盖赋值，每一轮循环后原始数据都会被裁剪为仅含当前时间点的子集，后续循环无法用到全量数据
• 遍历time_list时直接将时间点值（如C0、C1）作为索引调用time_list[i]，无法正确匹配到目标时间点
• 统计参与者数量时没有按时间点分组，得到的结果是全局基因对应的参与者数，不是分时间点的统计值

正确实现方案 #

方案1：修正后的嵌套循环实现 #

# 先保留原始全量数据，避免覆盖修改
raw_data <- select(IgH_CDR3_post_challenge_unique, cdr3aa, gene, ID, Timepoint)
# 新建空结果列
raw_data$participant_per_gene <- NA

participant_list <- unique(raw_data$gene)
time_list <- unique(raw_data$Timepoint)

for (c in participant_list) {
  for (i in time_list) {
    # 仅筛选当前基因+当前时间点的子集，不修改原数据
    current_sub <- filter(raw_data, gene == c, Timepoint == i)
    # 计算唯一参与者数量
    count <- length(unique(current_sub$ID))
    # 将统计值回填到原数据对应位置
    raw_data$participant_per_gene[raw_data$gene == c & raw_data$Timepoint == i] <- count
  }
}

如果需要提取独立的汇总统计表，额外执行stat_result <- distinct(raw_data, gene, Timepoint, participant_per_gene)即可。

方案2：更简洁的tidyverse分组统计（推荐） #

无需手动写循环，用分组统计逻辑更清晰、出错概率更低：

library(dplyr)
# 按时间点、基因分组，直接统计唯一参与者数量
stat_result <- IgH_CDR3_post_challenge_unique %>%
  group_by(Timepoint, gene) %>%
  summarise(participant_per_gene = n_distinct(ID), .groups = "drop")

# 如果需要把统计结果回写到原始数据集，补充左连逻辑即可
IgH_CDR3_post_challenge_unique <- IgH_CDR3_post_challenge_unique %>%
  left_join(stat_result, by = c("Timepoint", "gene"))

按你提供的示例数据，最终统计结果如下：

内容的提问来源于stack exchange，提问作者Chinemerem