组合/合并来自数据帧的信息——需要非常具体的 output 格式

Question

我想进行一种非常具体的合并（处理来自微生物测序的分类数据）。 例如，如果我有两个数据帧，每个都来自不同的样本（样本 1 和 2）：

df1 <- data.frame(lineage = c("1;131567", "1;131567;2;1224", "28216;32003;32011"),
                    taxonomy = c("bacteria", "archaea", "virus"),
                    count = c(15, 34, 12))
print(df1)
            lineage taxonomy count
1          1;131567 bacteria    15
2   1;131567;2;1224  archaea    34
3 28216;32003;32011    virus    12

df2 <- data.frame(lineage = c("204457;41297;165696", "1;131567;2;1224", "28216;32003;32011", "1;131567"),
                  taxonomy = c("fungi", "archaea", "virus", "bacteria"),
                  count = c(5, 34, 12, 11))
print(df2)
              lineage taxonomy count
1 204457;41297;165696    fungi     5
2     1;131567;2;1224  archaea    34
3   28216;32003;32011    virus    12
4            1;131567 bacteria    11

合并两个数据帧的结果 output 我想要一个名为“血统”的列，其中包含来自两个样本的所有不同的唯一血统。 我希望保留分类法列（这唯一对应于谱系）。 我希望在之后显示计数，因此 df1（示例 1）将有自己的“计数”列，并且如果在示例 2 中发现的引入谱系的任何缺失值显示为零。 df2 中的“计数”将是 df1 中计数列之后的一列。

例如，最终的 output 应该是这样的：

output <- data.frame(lineage = c("1;131567", "1;131567;2;1224", "28216;32003;32011", "204457;41297;165696"),
                  taxonomy = c("bacteria", "archaea", "virus", "fungi"),
                  count_df1 = c(15, 34, 12, NA),
                  count_df2 = c(11, 34, 12, 5))
print(output)
              lineage taxonomy count_df1 count_df2
1            1;131567 bacteria        15        11
2     1;131567;2;1224  archaea        34        34
3   28216;32003;32011    virus        12        12
4 204457;41297;165696    fungi        NA         5

每个 dataframe 的实际样本都有 >5000 行，我计划使用合并选项将 5 个数据帧按顺序合并为一个。 任何帮助，将不胜感激！！

我查看了 merge() 以及 dplyr join() 函数，但无法理解如何以我想要的方式保留信息。 也愿意尝试其他非合并选项（特别是考虑到我计划合并 6 个数据帧，而不仅仅是示例中的 2 个）。

Answer 1

您正在寻找的联接类型是full_join ：

library(dplyr)

df1 |> 
  full_join(df2, by = c("lineage", "taxonomy"), suffix = c("_df1", "_df2"))  
#>               lineage taxonomy count_df1 count_df2
#> 1            1;131567 bacteria        15        11
#> 2     1;131567;2;1224  archaea        34        34
#> 3   28216;32003;32011    virus        12        12
#> 4 204457;41297;165696    fungi        NA         5

或者使用merge ：

merge(df1, df2, by = c("lineage", "taxonomy"), all = TRUE)
#>               lineage taxonomy count.x count.y
#> 1            1;131567 bacteria      15      11
#> 2     1;131567;2;1224  archaea      34      34
#> 3 204457;41297;165696    fungi      NA       5
#> 4   28216;32003;32011    virus      12      12