表格合并还在用 Excel VLOOKUP?快试试 R 语言的 left_join,效率提升十倍!

做生信分析或者数据科学，最常见的场景就是：你的数据散落在好几张表里。

• 表 A：存着 100 个病人的年龄、性别、分组信息。
• 表 B：存着测序仪下机的几万个基因表达量。

现在，你要分析“不同分组病人的 TP53 基因表达量差异”。第一步也是最关键的一步，就是把这两张表依据共同的列（比如病人 ID）合并起来。 R 语言自带的 merge() 函数虽然能用，但参数晦涩难记。而 dplyr 包提供的 join 家族函数，完美借鉴了 SQL 数据库的设计哲学，逻辑清晰，代码优雅。 今天，我们就通过一套精心设计的示例数据，配合直观的图解，彻底搞懂左连接、内连接、全连接等 6 种核心操作！

许多朋友们在文章发送后不能第一时间接收到相关通知，强烈建议您将我们公众号设置为星标，步骤为 ：进入公众号BioGenius班主页→点击右上角三个点→下方第一个选项就是“设置星标”。

准备工作：两张“不完美匹配”的表格

为了演示不同 Join 的区别，我们必须构造两张不完全重合的表格。这是现实中最常见的情况。

library(dplyr)# 表1：临床信息表 (左表，Left Table)# 注意：这里有 S1, S2, S3, S4 四个病人clinical_df <- tibble(  sample_id = c("S1", "S2", "S3", "S4"),  group = c("Ctrl", "Ctrl", "Treat", "Treat"),  age = c(25, 30, 45, 50))# 表2：基因表达表 (右表，Right Table)# 注意：S3 的数据缺失了，但多出了一个新病人 S5expression_df <- tibble(  sample_id = c("S1", "S2", "S4", "S5"),  TP53_exp = c(10.5, 12.1, 9.8, 11.3))print("--- 临床表 (左) ---")print(clinical_df)print("--- 表达表 (右) ---")print(expression_df)

关键点：

• 两张表的连接钥匙（Key）是 sample_id。
• 左表独有：S3
• 右表独有：S5
• 共有：S1, S2, S4

第一类：合并连接 (Mutating Joins) —— 往表里加列

这类 Join 的目的是把右表的列加到左表上。

① 左连接：left_join() —— 生信人的最爱

口诀：以左表为尊，右表来依附。这是最最常用的连接方式！我们通常以临床信息表为基准（左表），把表达量信息（右表）匹配过来。

• 规则：保留左表所有的行。如果右表里有匹配的，就粘过来；如果没有匹配的，就填 NA（空值）。

# 以临床表为主，匹配表达量left_result <- left_join(clinical_df, expression_df, by = "sample_id")print(left_result)# 结果解读：# S1, S2, S4 成功匹配到了表达量。# S3 在左表有，右表没有，所以 TP53_exp 这一列被填上了 NA。# S5 虽然在右表有，但左表没有，所以直接被丢弃。

② 内连接：inner_join() —— 极其严格的交集

口诀：只取共同语言，谁缺了都不行。

• 规则：只有在左表和右表里同时存在的 ID，才会被保留下来。

inner_result <- inner_join(clinical_df, expression_df, by = "sample_id")print(inner_result)# 结果解读：# 只有两边都有的 S1, S2, S4 被保留。S3 和 S5 都被踢出了局。# 得到的是一个没有任何 NA 值的干净表格。

③ 全连接：full_join() —— 我全都要

口诀：一个都不能少，没有的填 NA。

• 规则：保留左表和右表里所有的 ID。不管谁缺了，都用 NA 补齐。

full_result <- full_join(clinical_df, expression_df, by = "sample_id")print(full_result)# 结果解读：# S1-S5 全部都在。S3 缺表达量(NA)，S5 缺临床信息(NA, NA)。# 这是最完整的并集表格。

进阶大招：当两边列名不一样时怎么办？

现实中很坑爹的情况是：左表叫 sample_id，右表叫 Patient_ID。 这时候需要在 by 参数里手动指定映射关系：

# 假设 expression_df 的列名改了expression_renamed <- rename(expression_df, Patient_ID = sample_id)# 使用命名向量指定：c("左表列名" = "右表列名")left_join(clinical_df, expression_renamed, by = c("sample_id" = "Patient_ID"))

第二类：筛选连接 (Filtering Joins) —— 只筛行，不加列

这类 Join 非常神奇，它们不会把右表的列加进来，只是拿右表当一个“过滤器”来筛选左表的行。

④ 半连接：semi_join() —— 存在的证明

口诀：只保留在右表里“有户口”的左表行。我想看看临床表里，有哪些病人在表达表里也有数据？（我只想要人，不想要数据）

semi_result <- semi_join(clinical_df, expression_df, by = "sample_id")print(semi_result)# 结果解读：# 结果还是临床表的 3 列 (sample_id, group, age)，没有增加表达列。# 但是行数变少了，只剩下 S1, S2, S4。因为只有这三个人在右表里存在。

⑤ 反连接：anti_join() —— 查找缺失值神器

口诀：专门挑刺，把右表里“没有户口”的左表行揪出来。这是检查数据缺失最快的方法！我想知道哪些临床病人竟然忘记测序了？

anti_result <- anti_join(clinical_df, expression_df, by = "sample_id")print(anti_result)# 结果解读：# 精准定位到了 S3！因为 S3 在左表，却不在右表。

总结一张图

掌握了 dplyr::join 家族，你脑海中处理数据的维度就打开了。不再是单打独斗的一张张孤表，而是一个可以随时关联、随时调用的关系型数据库网络。 赶紧拿你的数据练练手，体验一下数据丝滑对接的快感吧！