R语言如何通过匹配样本ID前缀为数据集新增受试者属性列？

原有代码失效的常见原因 #

• 字段名拼写不匹配：SubjectInfo表的受试者ID字段如果是带空格的Subject ID而非SubjectID，关联时的by参数会匹配失败
• 横杠类型不匹配：部分SampleID里的横杠可能是全角破折号「－」而非半角「-」，正则无法匹配对应字符
• ID存在隐藏字符：两个表存储的受试者ID存在首尾空白、不可见特殊字符，导致看似一致的ID无法匹配
• 连接类型选择错误：inner_join只会保留两个表共有的ID记录，如果BioResults里有不存在于SubjectInfo的受试者ID，这些行会被直接删除；如果需要保留所有BioResults的行，应使用left_join

验证调试步骤 #

先确认ID提取逻辑是否正确，运行以下代码随机抽取10条样本查看提取结果是否符合预期：

library(dplyr)
library(stringr)

BioResults %>% 
  select(SampleID) %>% 
  slice_sample(n = 10) %>% 
  # 兼容全半角横杠的提取逻辑
  mutate(提取的受试者ID = str_remove(str_trim(SampleID), '[-－].*'))

完整实现代码 #

cleaned_result <- BioResults %>%
  # 清洗SampleID，提取纯受试者ID
  mutate(
    SampleID = str_trim(SampleID), # 去除首尾空白
    tmp_id = str_remove(SampleID, '[-－].*') %>% str_trim() # 兼容全半角横杠，提取后再去空白
  ) %>%
  # 关联清洗后的受试者信息表
  left_join(
    # 提前清洗SubjectInfo的ID字段，避免空白导致匹配失败
    # 如果原字段是带空格的`Subject ID`，将下方SubjectID替换为`Subject ID`即可
    SubjectInfo %>% mutate(SubjectID = str_trim(SubjectID)),
    by = c("tmp_id" = "SubjectID")
  ) %>%
  # 删除临时ID列，保留所有需要的字段
  select(-tmp_id)

匹配失败排查 #

如果关联后性别、年龄字段出现大量NA，运行以下代码查看哪些ID在受试者信息表中不存在：

# 提取BioResults中所有唯一的受试者ID
bio_unique_ids <- unique(str_remove(str_trim(BioResults$SampleID), '[-－].*') %>% str_trim())
# 提取SubjectInfo中所有唯一的受试者ID
sub_unique_ids <- unique(str_trim(SubjectInfo$SubjectID))
# 输出存在于BioResults但不存在于SubjectInfo的ID
setdiff(bio_unique_ids, sub_unique_ids)

内容的提问来源于stack exchange，提问作者powder monkey