R语言使用semi_join基于多列匹配筛选数据框行的问题

问题原因 #

你使用semi_join()返回0行几乎都是匹配列的数据类型/内容不一致导致的，最常见的场景如下：

• R 4.0之前版本默认data.frame()的字符串列会自动转成因子类型，如果两个表的对应因子列水平不一致，就算字面量相同也会匹配失败
• 匹配列存在隐形字符（比如前后空格、制表符、不可见的换行符）
• 匹配列的数据类型不统一，比如一个表的Run_ID是数值型，另一个是字符型

可行解决方案 #

方案1：统一匹配列类型后再执行半连接 #

优先把需要匹配的列统一转成字符型，规避因子水平不匹配问题：

library(dplyr)

# 将两个表的匹配列统一转为字符型
data <- data %>% 
  mutate(across(c(Run_ID, Sample), as.character))
metadata <- metadata %>% 
  mutate(across(c(Run_ID, Sample), as.character))

# 执行半连接
result <- semi_join(data, metadata, by = c("Run_ID", "Sample"))

方案2：用基础R实现匹配逻辑 #

如果不想依赖dplyr，可以用interaction()生成组合键后匹配：

# 生成两个表的Run_ID+Sample组合键
data_key <- interaction(data$Run_ID, data$Sample)
meta_key <- interaction(metadata$Run_ID, metadata$Sample)

# 筛选组合键在metadata中存在的行
result <- data[data_key %in% meta_key, ]

方案3：清理隐形字符后再匹配 #

如果是字符列存在隐形空格导致匹配失败，先清理所有字符列的前后空格：

library(dplyr)

# 清理两个表所有字符列的前后空格
data <- data %>% 
  mutate(across(where(is.character), trimws))
metadata <- metadata %>% 
  mutate(across(where(is.character), trimws))

# 统一类型后执行半连接
data <- data %>% mutate(across(c(Run_ID, Sample), as.character))
metadata <- metadata %>% mutate(across(c(Run_ID, Sample), as.character))
result <- semi_join(data, metadata, by = c("Run_ID", "Sample"))

效果验证 #

使用你提供的示例数据，关闭字符串自动转因子后执行半连接即可得到预期结果：

library(dplyr)
data <- data.frame("Run_ID" = c(1,2,3), "Sample" = c("A", "B", "C"), "Value" = c(1,2,3), stringsAsFactors = FALSE)
metadata <- data.frame("Run_ID" = c(1,3), "Sample" = c("A","C"), stringsAsFactors = FALSE)

semi_join(data, metadata, by = c("Run_ID", "Sample"))

输出结果：

Run_ID Sample Value
1      1      A     1
2      3      C     3

内容的提问来源于stack exchange，提问作者bgfritz1