如何使用dplyr的left_join合并含基因与MeSH ID的两个数据框

原代码错误原因 #

你之前的写法存在两个核心问题：

• left_join的多条件匹配默认是同时满足所有条件，无法实现你需要的「匹配Parent.MeSH.ID或Child.MeSH.ID」的逻辑
• df2的Parent.MeSH.ID、Child.MeSH.ID是逗号分隔的多值字符串，直接等值匹配只能命中单值的情况，多值场景会全部匹配失败

推荐实现（纯tidyverse生态，无需额外安装包） #

该方案会保留df2中原始的逗号分隔ID格式，符合你的使用需求：

# 加载依赖包
library(dplyr)
library(tidyr)

# 第一步：给df2添加唯一行标识，用于匹配后关联回原始行
df2_with_rowid <- df2 %>%
  mutate(rowid = row_number())

# 第二步：拆分df2的多值ID列为单值行，生成匹配映射表
df2_match_map <- df2_with_rowid %>%
  # 按逗号+任意空格拆分多ID为单独行
  separate_rows(Parent.MeSH.ID, Child.MeSH.ID, sep = ",\\s*") %>%
  # 合并两类MeSH ID为统一匹配列
  pivot_longer(cols = c(Parent.MeSH.ID, Child.MeSH.ID), values_to = "match_id") %>%
  # 去重，避免重复匹配
  distinct(rowid, Gene.Name, match_id)

# 第三步：执行匹配，得到最终结果
proto <- df1 %>%
  # 匹配基因名和MeSH ID，用inner_join直接过滤未匹配行
  inner_join(df2_match_map, by = c("HUGO_symbol" = "Gene.Name", "MeSH_ID" = "match_id")) %>%
  # 关联回df2的原始完整数据
  left_join(df2_with_rowid, by = c("rowid", "HUGO_symbol" = "Gene.Name")) %>%
  # 去除辅助列，去重避免重复行
  select(-rowid, -name) %>%
  distinct()

简洁实现（用fuzzyjoin包） #

如果接受安装额外包，可以用正则匹配的方式更简洁实现：

library(dplyr)
library(fuzzyjoin)
library(stringr)

proto <- df1 %>%
  fuzzy_inner_join(
    df2,
    # 自定义匹配规则：基因名相等，且MeSH ID存在于Parent或Child ID列表中
    match_fun = list(
      `==`,
      \(mesh_id, id_list) str_detect(id_list, paste0("(^|,\\s*)", mesh_id, "($|,\\s*)"))
    ),
    by = c(
      "HUGO_symbol" = "Gene.Name",
      "MeSH_ID" = "Parent.MeSH.ID",
      "MeSH_ID" = "Child.MeSH.ID"
    )
  )

内容的提问来源于stack exchange，提问作者KLM117