R语言中如何基于源数据框的p值统计结果填充目标数据框

你之前的代码运行异常、结果不符合预期的根源是dplyr::mutate默认采用整列向量化运算逻辑：

• 计算sourceDat$p_value < x时，x是pValDat中整列的阈值向量，运算时会将sourceDat的p_value列与x列做逐元素循环匹配，最终sum得到的是一个固定的全局值，所有行的SigCats都会被填充为同一个数，完全偏离“每个阈值单独统计全表p值低于它的类别数量”的预期；
• 当两个向量长度不满足整数倍关系时，会直接触发向量长度不匹配的运算报错。

分别提供base R与tidyverse两套适配使用习惯的写法：

1. 基础R实现 #

通过sapply逐阈值遍历统计，逻辑最直观：

set.seed(42) 
n = 20
sourceDat <- data.frame(id=1:n, 
                  group=rep(LETTERS[1:2], n/2),
                  p_value=sample(1:10, n, replace=TRUE)/500)

# 预设p值阈值序列
pVals <- c(0.05, 10^seq(from = -2, to = -20, by = -1))
# 逐阈值计算满足p值低于阈值的类别数量
sig_count <- sapply(pVals, function(thr) sum(sourceDat$p_value < thr))
# 组装目标数据框
pValDat <- data.frame(
  pVal = pVals,
  SigCats = sig_count
)

2. Tidyverse 实现 #

提供两种不同效率的写法，适配不同数据规模场景：

写法1：逐行标量运算（逻辑简单，中小数据量适用） #

通过rowwise()将每行的阈值转为独立标量，避免整列向量循环匹配的问题：

library(dplyr)

pVals <- c(0.05, 10^seq(from = -2, to = -20, by = -1))
pValDat <- tibble(pVal = pVals) %>%
  rowwise() %>%
  mutate(SigCats = sum(sourceDat$p_value < pVal)) %>%
  ungroup()

写法2：交叉连接+分组统计（效率更高，大数据量适用） #

无需逐行循环，通过交叉匹配后分组聚合统计，数据量越大性能优势越明显：

library(dplyr)
library(tidyr)

pVals <- c(0.05, 10^seq(from = -2, to = -20, by = -1))

pValDat <- tibble(threshold = pVals) %>%
  # 每个阈值与源数据所有p值做交叉匹配
  crossing(select(sourceDat, p_value)) %>%
  group_by(threshold) %>%
  # 按阈值分组统计满足条件的数量
  summarise(
    SigCats = sum(p_value < threshold),
    .groups = "drop"
  ) %>%
  rename(pVal = threshold)

针对示例数据集，运行代码后前几行的输出符合预期：

注：如果需要将“p值低于等于阈值”纳入统计，只需将判断逻辑里的<替换为<=即可。

内容的提问来源于stack exchange，提问作者Max F