如何按样本对R数据框物种丰度列求和并保留前21列？

问题描述 #

我有一个大型R数据框，前21列为非生物变量（包含样本名），22-72列为物种相对丰度值。每个样本对应多行数据，且同一样本的非生物变量值完全一致。需要按样本对每个物种的相对丰度值求和，但使用dplyr的group_by和summarise时出现错误：明明ncol(df)返回72，却提示仅存在51列，无法索引超出范围的列。

原始数据示例 #

df <- data.frame(
  sample = c(1,1,1,1,1,1,1,2,2,2,2,2,2,2,3,3,3,3,3,3),
  var1 = c(3,3,3,3,3,3,3,7,7,7,7,7,7,7,2,2,2,2,2,2),
  var2 = c(4,4,4,4,4,4,4,42,42,42,42,42,42,42,2,2,2,2,2,2),
  species1 = c(0,0,0.05,0,0,0.02,0,0,0,0,0,0,0,0,0,0.001,0.02,0.03,0.001,0),
  species2 = c(0,0,0,0,0,0,0,0,0,0,0,0,0,0,0.001,0.002,0.03,0,0,0)
)

期望结果 #

df_summed <- data.frame(
  sample = c(1, 2, 3),
  var1 = c(3, 7, 2),
  var2 = c(4, 42, 2),
  species1 = c(0.07, 0, 0.052),
  species2 = c(0, 0, 0.033)
)

尝试的错误代码 #

df_summed <- df %>%
  group_by(across(1:21)) %>%
  summarise(across(22:ncol(df), sum), .groups = "drop")

错误信息 #

Caused by error in `across()`:
! Can't subset columns past the end.
ℹ Locations 52, 53, 54, …, 71, and 72 don't exist.
ℹ There are only 51 columns.

解决方案 #

错误原因 #

报错的核心是：在group_by分组后，summarise中的across函数会将列索引的基准默认设为非分组列（共72-21=51列），而你用22:ncol(df)引用的是原始数据框的列索引（22到72），这个范围远超当前可用的非分组列数量，导致索引越界。

可行方案 #

方案1：提前定义列范围，用all_of引用

提前把非生物变量列和物种列的索引存为变量，避免上下文导致的索引混乱：

# 定义列索引
non_bio_cols <- 1:21
species_cols <- 22:ncol(df)

# 汇总计算
df_summed <- df %>%
  group_by(across(all_of(non_bio_cols))) %>%
  summarise(across(all_of(species_cols), sum), .groups = "drop")

方案2：排除分组列选择物种列

直接通过排除非生物变量列来选择物种列，无需关注具体索引：

df_summed <- df %>%
  group_by(across(1:21)) %>%
  summarise(across(-all_of(1:21), sum), .groups = "drop")

方案3：按列名模式选择物种列

如果物种列有统一命名规则（比如都以species开头），可以直接按名称匹配：

df_summed <- df %>%
  group_by(across(1:21)) %>%
  summarise(across(starts_with("species"), sum), .groups = "drop")

以上三种方案都能正确按样本汇总物种相对丰度，同时保留非生物变量的唯一值。

内容的提问来源于stack exchange，提问作者RobH