在R语言中基于表型文件为数据框样本赋予状态索引值

嘿，我来帮你搞定这个需求！先把咱们的输入数据明确一下，方便后续操作：

数据框df（行代表基因，列是样本ID）：

df <- data.frame(
  A = c(1,4,7),
  B = c(2,5,8),
  C = c(3,6,9),
  D = c(4,7,8),
  E = c(5,7,9)
)

表型文件Pheno：

Pheno <- data.frame(
  sample = c("A","B","C","D","E"),
  status = c("Normal","Normal","Unknown","Diseased","Diseased")
)

下面给你两种实用的实现方法，按需选择就行：

方法一：基础R语法实现（无需额外包） #

这种方法适合不想加载额外包的场景，核心是先创建样本到索引的映射关系，再匹配到df的列名：

# 第一步：基于Pheno创建索引映射，Normal→0，Diseased→1，Unknown设为NA（你也可以改成其他值）
sample_map <- ifelse(Pheno$status == "Normal", 0,
                     ifelse(Pheno$status == "Diseased", 1, NA))
# 给映射向量命名为样本ID，这样就能通过列名直接匹配
names(sample_map) <- Pheno$sample

# 第二步：提取df所有样本列对应的索引，顺序和df列完全一致
df_sample_indices <- sample_map[colnames(df)]

运行后df_sample_indices就是我们要的结果：A、B对应0，D、E对应1，C对应NA。

方法二：tidyverse风格实现（适合熟悉dplyr的用户） #

如果你平时习惯用tidyverse工具链，用dplyr的连接和条件判断会更直观：

library(dplyr)

# 先给Pheno添加索引列
pheno_indexed <- Pheno %>%
  mutate(index = case_when(
    status == "Normal" ~ 0,
    status == "Diseased" ~ 1,
    TRUE ~ NA_real_  # 处理Unknown的情况
  ))

# 将df的列名转为数据框，和处理后的Pheno连接，提取索引
df_sample_indices <- data.frame(sample = colnames(df)) %>%
  left_join(pheno_indexed, by = "sample") %>%
  pull(index)

这个方法的结果和方法一完全一致，代码可读性更强，适合复杂表型的扩展处理。

如果后续要用到这个索引做分析（比如差异表达），记得提前处理Unknown的样本（比如删除或标记）哦～

内容的提问来源于stack exchange，提问作者David