如何在R中依据df1内容高效填充df2并标记匹配的突变信息

核心逻辑 #

本质是将ID-突变一对一的长格式表，转换为行=ID、列=突变类型、存在即标记Y的宽格式表，针对数百ID、20余种突变的业务规模，以下三类方案均能满足性能需求，可按使用习惯选择：

方案1：tidyverse 方案（易读易维护，最常用） #

依赖tidyr、dplyr包，代码可读性高，中小规模数据性能完全适配：

# 加载依赖（首次使用需先安装：install.packages("tidyverse")）
library(tidyverse)

# 1. 构造示例长表df1
df1 <- tibble(
  ID = c(1, 2, 2, 3),
  Mutation = c("A", "B", "C", "A")
)

# 2. 预处理：去重（避免同ID-突变重复记录导致宽表异常，无重复可省略）
df1_clean <- df1 %>% 
  distinct(ID, Mutation)

# 3. 生成目标宽表df2
df2 <- df1_clean %>% 
  # 新增存在标记列
  mutate(flag = "Y") %>% 
  # 宽展：突变作为列名，标记作为值，缺失位置填充NA（打印时显示空白，匹配示例效果）
  pivot_wider(
    names_from = Mutation,
    values_from = flag,
    values_fill = NA
  )

# 查看输出
df2

输出结果完全匹配需求：

# A tibble: 3 × 3
     ID A     B     C    
  <dbl> <chr> <chr> <chr>
1     1 Y     NA    NA   
2     2 NA    Y     Y    
3     3 Y     NA    NA  

方案2：基础R 方案（无第三方包依赖） #

适合无法安装额外包的极简场景：

# 1. 生成ID-突变存在性列联表
cont_table <- table(df1$ID, df1$Mutation)

# 2. 转换为数据框，替换数值标记
df2_base <- as.data.frame.matrix(cont_table)
df2_base[df2_base == 1] <- "Y"
df2_base[df2_base == 0] <- NA

# 3. 将行名（ID）转为独立列
df2_base <- cbind(ID = as.integer(rownames(df2_base)), df2_base)
rownames(df2_base) <- NULL  # 清除冗余行名

df2_base

方案3：data.table 方案（超高效，适配更大规模扩展） #

如果后续业务数据量升级到数千ID、上百种突变，该方案的内存效率、运行速度优势显著：

# 加载依赖（首次使用需先安装：install.packages("data.table")）
library(data.table)

# 1. 转换为data.table格式，去重同ID-突变对
dt1 <- as.data.table(df1)
dt1_clean <- dt1[, .SD[1], by = .(ID, Mutation)]

# 2. 宽展生成目标表
dt2 <- dcast(
  dt1_clean,
  ID ~ Mutation,
  fun.aggregate = length,
  fill = NA
)

# 3. 将计数结果替换为"Y"标记（突变列动态获取，无需硬编码）
mut_cols <- setdiff(names(dt2), "ID")
for (col in mut_cols) {
  dt2[get(col) == 1, (col) := "Y"]
}

dt2

注意事项 #

• 去重步骤不可省略：如果df1存在同ID-同一突变的重复录入，宽展会生成嵌套值，必须先去重。
• 缺失值可按需调整：如果需要用空字符串而非NA填充无突变的位置，修改values_fill/fill参数为""即可。
• 列顺序自定义：如果需要固定突变列的顺序（而非默认字母排序），可在宽展前用forcats::fct_relevel(Mutation, "A", "B", "C")固定因子层级。

内容的提问来源于stack exchange，提问作者Lei Deng