合并和比较来自不同文件的不同列

Question

我正在尝试自动化我通常在 Excel 中完成的流程。这个过程包括合并和比较不同的列。 例如：

df1: 
sp|P07437|TBB5_HUMAN
sp|P10809|CH60_HUMAN
sp|P424|LPPRC_HUMAN
sp|P474|LRC_HUMAN

df2: 
sp|P07437|TBB5_HUMAN
sp|P10809|CH60_HUMAN
sp|P42704|LPPRC_HUMAN

df3: 
sp|P07437|TBB5_HUMAN
sp|P10788|CH70_HUMAN
sp|P42704|LPPRC_HUMAN

输出是这样的：

sp|P07437|TBB5_HUMAN  | sp|P07437|TBB5_HUMAN | sp|P07437|TBB5_HUMAN
sp|P10809|CH60_HUMAN  | sp|P10809|CH60_HUMAN |
                      |                      | sp|P10788|CH70_HUMAN
sp|P424|LPPRC_HUMAN   |                      |
sp|P474|LRC_HUMAN     |                      |
                      | sp|P42704|LPPRC_HUMAN| sp|P42704|LPPRC_HUMAN

我试图使用函数compare 或mergelink 但我没有这个结果。你知道我可以在这种情况下使用的另一个函数吗？

或多或少类似于维恩图，这正是我在此之后所做的，以检查一切是否良好。

这是一个可重复的示例：

df1 = data.frame(TEST1=c("sp|P07437|TBB5_HUMAN","sp|P10809|CH60_HUMAN", "sp|P424|LPPRC_HUMAN"))

df2 = data.frame(TEST2=c("sp|P07437|TBB5_HUMAN","sp|P10809|CH60_HUMAN","   sp|P42704|LPPRC_HUMAN"))

df3 = data.frame(TEST3=c("sp|P07437|TBB5_HUMAN","sp|P10788|CH70_HUMAN",     "sp|P42704|LPPRC_HUMAN"))

非常感谢。

Answer 1

我使用的是稍微修改过的数据版本，避免了数据中的factors。我还修剪了额外的空白，假设这是复制/粘贴的错误。

df1 = data.frame(TEST1=c("sp|P07437|TBB5_HUMAN","sp|P10809|CH60_HUMAN", "sp|P424|LPPRC_HUMAN"),
                 stringsAsFactors = FALSE)
df2 = data.frame(TEST2=c("sp|P07437|TBB5_HUMAN","sp|P10809|CH60_HUMAN","   sp|P42704|LPPRC_HUMAN"),
                 stringsAsFactors = FALSE)
df3 = data.frame(TEST3=c("sp|P07437|TBB5_HUMAN","sp|P10788|CH70_HUMAN",     "sp|P42704|LPPRC_HUMAN"),
                 stringsAsFactors = FALSE)

由于这类问题很容易扩展到包含超过初始数量的 data.frames，我通常更喜欢使用 data.frames 列表，而不是显式 data.frames，如果在一切皆有可能。

lst <- list(df1, df2, df3)

现在有一种方法可以获得您想要的结果：

alltests <- unique(trimws(unlist(lst, recursive = TRUE)))
as.data.frame(
  setNames(lapply(lst, function(a) alltests[ match(alltests, a[,1]) ]),
           sapply(lst, names)),
  stringsAsFactors = FALSE
)
#                  TEST1                TEST2                TEST3
# 1 sp|P07437|TBB5_HUMAN sp|P07437|TBB5_HUMAN sp|P07437|TBB5_HUMAN
# 2 sp|P10809|CH60_HUMAN sp|P10809|CH60_HUMAN                 <NA>
# 3  sp|P424|LPPRC_HUMAN                 <NA>                 <NA>
# 4                 <NA>                 <NA>  sp|P424|LPPRC_HUMAN
# 5                 <NA>                 <NA> sp|P10809|CH60_HUMAN

这依赖于 (1) 单列 data.frames（尽管可以补救）； (2) 唯一的列名。您建议的输出并不意味着任何排序，所以我选择不在这里进行任何排序；使用alltests <- sort(unique(...)) 很容易，但请注意它是按字母排序的，而不是基于子字符串的数字部分。