R语言中如何按分组条件删除特定重复的基因数据行

核心逻辑说明 #

我们需要同时验证两个删除条件：

• 目标基因在≥2个不同分组中存在
• 该基因当前所在的分组仅包含它1个基因
  同时满足两个条件的行才需要删除。

修正后的dplyr实现代码 #

原代码错误点：mutate()中不能直接嵌套filter()，分组逻辑也拆分错误，正确实现如下：

library(dplyr)

df %>%
  # 计算每个基因出现在多少个不同分组
  group_by(Gene) %>%
  mutate(gene_occur_group = n_distinct(Group)) %>%
  ungroup() %>%
  # 计算每个分组包含多少个基因
  group_by(Group) %>%
  mutate(group_gene_count = n()) %>%
  ungroup() %>%
  # 过滤掉符合删除条件的行
  filter(!(gene_occur_group > 1 & group_gene_count == 1)) %>%
  # 可选：删除过程辅助列
  select(-gene_occur_group, -group_gene_count)

运行结果 #

输出符合要求的过滤后数据：

Group  Gene
1     1 Gene1
2     1 Gene2
3     1 Gene3
4     2 Gene3
5     2 Gene4
6     4 Gene10
7     4 Gene11

可选：data.table简洁实现 #

你的原始数据集本身是data.table类，直接用data.table语法执行效率更高：

library(data.table)
setDT(df)
df[!(df[, .(gene_occur_group = uniqueN(Group)), by = Gene][gene_occur_group > 1, Gene] %in% 
       df[, .SD[.N == 1], by = Group]$Gene), ]

内容的提问来源于stack exchange，提问作者LN3