R语言dplyr如何提取分组后含最小start与最大end的完整唯一行

解决方法 #

你可以用分组后筛选行的逻辑替代summarize汇总逻辑，就能保留全部原字段：

library(dplyr)

result <- data %>%
  # 按seqname分组
  group_by(seqname) %>%
  # 筛选当前组内start为最小值、end为最大值的行
  filter(start == min(start), end == max(end)) %>%
  # 若同一分组下存在多行同时满足条件，可加下行保留第一条，也可按需求自定义排序后取行
  slice_head(n = 1) %>%
  # 解除分组，方便后续处理
  ungroup()

补充说明 #

如果更习惯用你原来的summarize思路，也可以通过左连接关联回原表实现：

result <- data %>%
  group_by(seqname) %>%
  summarize(min_start = min(start), max_end = max(end), .groups = "drop") %>%
  left_join(data, by = c("seqname" = "seqname", "min_start" = "start", "max_end" = "end")) %>%
  # 处理同一seqname匹配到多行的情况，保留第一行
  distinct(seqname, .keep_all = TRUE)

如果有多个符合条件的行需要指定优先级，可以在筛选后加arrange()按你需要的字段排序（比如要选score最小的就加arrange(score)），再取第一行即可。

内容的提问来源于stack exchange，提问作者Enset