按站点分组计算各处理组与对照组的Bray-Curtis相异度

可以通过分组处理+距离矩阵提取的方式高效实现需求，避免手动拆分站点的繁琐操作。以下是基于dplyr、purrr和vegan包的解决方案：

步骤1：加载所需包与模拟数据 #

library(dplyr)
library(purrr)
library(vegan)

# 模拟数据
Site = c("A", "A", "A", "B", "B", "B", "C", "C", "C") 
Treatment = c('control', 'treatment1', 'treatment2', 'control', 'treatment1', 'treatment2','control', 'treatment1', 'treatment2') 
Sp1 = c(56, 42, 67, 23, 44, 21, 15, 20, 12) 
Sp2 = c(15, 10, 17, 1, 5, 2, 3, 1,6)
Sp3 = c(10, 6, 7, 10, 5, 4, 0, 1, 0)
Sp4 = c(9, 6, 4, 8, 13, 5, 2, 1, 0)
df = data.frame(Site, Treatment, Sp1, Sp2, Sp3, Sp4)

步骤2：定义分组计算函数 #

该函数会对每个站点的子数据框执行以下操作：

1. 计算站点内所有样本的Bray-Curtis距离矩阵
2. 提取每个样本到同站点对照组的距离
3. 将对照组自身的距离设为0（可选，因为距离矩阵中自身距离本来就是0）

calculate_bray_to_control <- function(sub_df) {
  # 计算站点内样本的Bray-Curtis距离矩阵
  dist_matrix <- vegdist(sub_df[, 3:6], method = "bray") %>% as.matrix()
  # 定位对照组的行索引
  control_row <- which(sub_df$Treatment == "control")
  # 提取每个样本到对照组的距离
  sub_df$dis.to.control <- dist_matrix[, control_row]
  # 确保对照组自身距离为0（可选）
  sub_df$dis.to.control[control_row] <- 0
  return(sub_df)
}

步骤3：批量处理所有站点 #

利用group_split按站点拆分数据，再通过map_dfr批量应用计算函数并合并结果：

result_df <- df %>%
  group_split(Site) %>%
  map_dfr(calculate_bray_to_control)

输出结果示例 #

运行代码后，result_df会新增dis.to.control列，格式如下（数值为实际计算值）：

> print(result_df)
  Site   Treatment Sp1 Sp2 Sp3 Sp4 dis.to.control
1    A     control  56  15  10   9       0.0000000
2    A treatment1   42  10   6   6       0.1206897
3    A treatment2   67  17   7   4       0.1458333
4    B     control  23   1  10   8       0.0000000
5    B treatment1   44   5   5  13       0.2352941
6    B treatment2   21   2   4   5       0.1627907
7    C     control  15   3   0   2       0.0000000
8    C treatment1   20   1   1   1       0.1702128
9    C treatment2   12   6   0   0       0.2000000

该方法无需手动拆分站点，可高效处理15+处理组、20+站点的大规模数据。

内容的提问来源于stack exchange，提问作者Felipe Albornoz