在R中将含不等长矩阵的质谱列表转换为数据框的技术问题

我明白你现在的困扰——2701个质谱数据点，每个都带着不等长的M/Z和丰度向量，没法直接转成常规数据框查看全部数值对吧？其实核心问题是这类三维数据需要换一种「整理姿势」：不用硬塞成每个样本一行的宽格式（会产生大量缺失值还丢数据），转成**长格式（tidy format）**的表格就完美解决了，每一行对应一个「M/Z值 + 丰度 + 数据点ID」的组合，既能完整保留所有数据，又方便查看和后续分析。

下面给你两种常用语言的具体实现方案：

R语言方案（推荐用tidyverse工具链） #

假设你的原始数据是一个列表，每个元素是包含X（M/Z值）和Y（丰度）的子列表：

# 模拟你的数据结构（实际是2701个元素，这里仅做2个示例）
mass_spec_list <- list(
  list(X = c(60, 32, 37, 4), Y = c(26, 3, 2, 6)),
  list(X = c(14, 10), Y = c(3, 5))
)

用purrr和dplyr快速整理成数据框：

library(tidyverse)

# 给每个数据点添加唯一ID，然后展平成标准数据框
mass_spec_df <- mass_spec_list %>%
  set_names(paste0("sample_", 1:length(.))) %>%  # 给每个样本命名（sample_1到sample_2701）
  map_dfr(~tibble(mz = .x$X, abundance = .x$Y), .id = "sample_id")  # 合并所有样本的M/Z和丰度

# 查看前几行结果
head(mass_spec_df)

输出效果：

# A tibble: 6 × 3
  sample_id    mz abundance
  <chr>     <dbl>      <dbl>
1 sample_1     60         26
2 sample_1     32          3
3 sample_1     37          2
4 sample_1      4          6
5 sample_2     14          3
6 sample_2     10          5

如果不想用tidyverse，也可以用基础R实现：

# 创建空数据框
mass_spec_df <- data.frame(
  sample_id = character(),
  mz = numeric(),
  abundance = numeric(),
  stringsAsFactors = FALSE
)

# 循环遍历每个数据点，逐行合并
for (i in 1:length(mass_spec_list)) {
  current_sample <- mass_spec_list[[i]]
  temp_df <- data.frame(
    sample_id = paste0("sample_", i),
    mz = current_sample$X,
    abundance = current_sample$Y
  )
  mass_spec_df <- rbind(mass_spec_df, temp_df)
}

# 查看结果
head(mass_spec_df)

Python语言方案（用pandas） #

假设你的原始数据是一个列表，每个元素是包含X和Y键的字典：

import pandas as pd

# 模拟你的数据结构
mass_spec_list = [
    {"X": [60, 32, 37, 4], "Y": [26, 3, 2, 6]},
    {"X": [14, 10], "Y": [3, 5]}
]

# 整理成长格式DataFrame
dfs = []
for idx, sample in enumerate(mass_spec_list, 1):
    df = pd.DataFrame({
        "sample_id": f"sample_{idx}",
        "mz": sample["X"],
        "abundance": sample["Y"]
    })
    dfs.append(df)

mass_spec_df = pd.concat(dfs, ignore_index=True)

# 查看前几行结果
print(mass_spec_df.head())

输出效果：

sample_id  mz  abundance
0  sample_1  60         26
1  sample_1  32          3
2  sample_1  37          2
3  sample_1   4          6
4  sample_2  14          3

为什么选长格式？ #

因为每个质谱数据点的M/Z峰数量不一样，宽格式会强制所有样本对齐到相同数量的列，导致大量NA（缺失值），还会丢失部分峰的信息。长格式是质谱数据处理的标准范式，后续不管是筛选高丰度峰、做峰对齐还是可视化，都能直接基于这个数据框操作。

内容的提问来源于stack exchange，提问作者John H