如何在R中使用grep函数基于样本名计算匹配样本的相关性

我来帮你一步步实现用R计算两个基因数据框中匹配样本的相关系数，完全贴合你的需求：

首先我们需要把三个文件读取到R中，注意把gene_name设为行名，这样后续处理基因表达值更方便：

# 读取数据框（根据你的文件格式调整sep参数，比如csv用sep=","）
df1 <- read.table("df1.txt", header = TRUE, row.names = "gene_name", sep = "\t")
df2 <- read.table("df2.txt", header = TRUE, row.names = "gene_name", sep = "\t")
info <- read.table("info.txt", header = TRUE, stringsAsFactors = FALSE, sep = "\t")

为了避免列名的部分匹配（比如把loc1和loc10混淆），我们用grep的精确匹配模式（^表示开头，$表示结尾）来定位对应的列：

# 先过滤掉info中不存在于df1/df2的无效列名
valid_rows <- mapply(function(x, y) {
  length(grep(paste0("^", x, "$"), colnames(df1))) > 0 && 
  length(grep(paste0("^", y, "$"), colnames(df2))) > 0
}, info$loc_in_df1, info$loc_in_df2)

info <- info[valid_rows, ]

接下来遍历每个匹配的样本对，提取对应的基因表达列，计算相关系数（这里默认用皮尔逊相关，你可以换成method="spearman"或"kendall"）：

# 初始化结果向量
cor_results <- numeric(nrow(info))
names(cor_results) <- paste("subject", info$subject, sep = "_")

# 循环计算每个样本对的相关系数
for (i in seq_len(nrow(info))) {
  # 用grep获取精确匹配的列名
  col_df1 <- grep(paste0("^", info$loc_in_df1[i], "$"), colnames(df1), value = TRUE)
  col_df2 <- grep(paste0("^", info$loc_in_df2[i], "$"), colnames(df2), value = TRUE)
  
  # 提取表达值并计算相关
  expr_df1 <- df1[, col_df1]
  expr_df2 <- df2[, col_df2]
  cor_results[i] <- cor(expr_df1, expr_df2, method = "pearson")
}

# 查看结果
print(cor_results)

# 可选：把结果合并到info表中，方便查看
info$correlation <- cor_results
print(info)

• 如果你的文件是CSV格式，记得把sep="\t"改成sep=","
• 精确匹配的正则表达式^...$是关键，能避免grep的模糊匹配导致的错误
• 你可以根据需求调整相关系数的计算方法，比如非参数的斯皮尔曼相关适合非正态分布的数据

内容的提问来源于stack exchange，提问作者Mark K.