如何在R中基于关键列相同值合并数据框的重复行

解决方案 #

你已经完成了group_by(gene_id)的分组步骤，后续可以用dplyr的summarise()函数按规则聚合各列即可，因为你提到同一gene_id对应的非坐标类字段值完全一致，直接取分组内任意一个值即可：

library(dplyr)

# 通用写法，自动适配所有列，不需要手动逐个指定表达列
df_unique_gene <- df %>%
  # 同一个基因的染色体编号必然一致，加入分组避免异常数据问题，不需要可删除
  group_by(gene_id, `#chr`) %>%
  summarise(
    # 坐标列按规则聚合
    start = min(start, na.rm = TRUE),
    end = max(end, na.rm = TRUE),
    # 其余所有列取分组内第一个值即可
    across(.cols = everything(), .fns = first),
    # 聚合完成后自动取消分组
    .groups = "drop"
  ) %>%
  # 可选：恢复和原始数据完全一致的列顺序
  select(all_of(colnames(df)))

如果你的dplyr版本低于1.0.0不支持across()函数，可以用手动指定列的写法：

df_unique_gene <- df %>%
  group_by(gene_id) %>%
  summarise(
    `#chr` = first(`#chr`),
    start = min(start, na.rm = TRUE),
    end = max(end, na.rm = TRUE),
    # 按你的实际列名替换下面的示例表达列名即可
    sample1 = first(sample1),
    sample2 = first(sample2),
    # ...其余表达列依次添加
    .groups = "drop"
  )

参数说明 #

• na.rm = TRUE：避免start/end列存在缺失值时聚合结果出错，如果你确认数据无缺失可以删除该参数
• 最终输出的df_unique_gene每行对应唯一的gene_id，可以直接将gene_id列设置为行名使用

内容的提问来源于stack exchange，提问作者CelineDion