如何将含GO.term的DataFrame转换为二进制形式？

你想要把长格式的基因与GO注释对应表转换成宽格式的二进制标记矩阵，这在R里有好几种简单高效的实现方式，我给你分享几个常用方案：

首先先确认你的输入数据结构（基于你提供的示例）：

# 模拟你的输入DataFrame
d <- data.frame(
  Gene.Name = c("EPCAM", "CDH17", "LGALS4", "GPRC5A", "KRT18", "SOX9", "CGN"),
  GO.term = c("cell-cell adhesion", "cell adhesion", "cell adhesion", "cell-cell adhesion", "cell-cell adhesion", "cytoskeleton organisation", "cell-cell adhesion"),
  stringsAsFactors = FALSE
)

方法一：用tidyverse的pivot_wider（推荐，语法直观） #

tidyverse系列包的pivot_wider是处理长转宽最灵活的工具之一：

library(tidyverse)

binary_df <- d %>%
  mutate(flag = 1) %>%  # 给每个存在的基因-GO配对标记1
  pivot_wider(
    names_from = GO.term,  # 把GO term作为列名
    values_from = flag,    # 用标记值填充单元格
    values_fill = 0        # 不存在的配对填充0
  )

运行后你会得到目标格式：行是基因名，列是所有唯一的GO term，对应存在的标记为1，否则为0。

方法二：基础R原生实现（无需额外包） #

如果不想加载第三方包，用基础R的table函数也能快速实现：

# 生成基因与GO term的交叉计数表
cross_table <- table(d$Gene.Name, d$GO.term)
# 转换为数据框并将计数转为二进制（只要出现过就标记1）
binary_df <- as.data.frame.matrix(cross_table)
binary_df[binary_df > 0] <- 1

这个方法适合轻量场景，不需要依赖任何扩展包。

方法三：用reshape2的dcast函数 #

如果你习惯用reshape2包的转换工具，dcast也是经典选择：

library(reshape2)

binary_df <- dcast(
  data = d,
  formula = Gene.Name ~ GO.term,  # 行~列的转换规则
  fun.aggregate = length,         # 对重复配对计数
  value.var = "GO.term"           # 用于聚合的变量
)
# 将计数转为二进制
binary_df[binary_df > 0] <- 1

注意事项 #

如果你的数据中存在同一个基因对应同一个GO term多次出现的情况，以上方法都能正确处理：要么直接标记为1（pivot_wider），要么先计数再转1（table/dcast），最终结果都是符合需求的二进制标记。

内容的提问来源于stack exchange，提问作者fi1d18