如何在R中按后缀拆分分类列并填充缺失值？

当你的物种分类列存在内容缺失（比如部分条目只有门、纲级别，没有科、属）时，tidyr::separate因为依赖固定的分隔位置，确实没办法很好处理。这里提供两种更适配的方案：

方案一：用tidyr::extract_wider批量提取（推荐） #

这个函数可以根据正则表达式匹配任意位置的目标内容，自动为缺失项填充NA，代码更简洁：

首先加载依赖包：

library(tidyverse)

假设你的数据框名为df，执行以下代码：

df_processed <- df %>%
  # 按分类级别匹配提取到对应列
  extract_wider(
    col = Classification,
    names = c("K", "P", "C", "O", "F", "G"),
    # 正则匹配每个级别，?表示该级别可缺失，;?匹配可选的分号分隔符
    regex = "(k__[^;]+)?;?(p__[^;]+)?;?(c__[^;]+)?;?(o__[^;]+)?;?(f__[^;]+)?;?(g__[^;]+)?"
  ) %>%
  # 移除每个列开头的k__、p__等前缀
  mutate(across(c(K, P, C, O, F, G), ~ str_remove(., "^[kpcofg]__")))

方案二：用stringr::str_extract逐个提取（更灵活） #

如果需要对单个级别做额外处理，逐个提取的方式更可控：

df_processed <- df %>%
  mutate(
    # 匹配每个级别内容，无匹配则返回NA，随后移除前缀
    K = str_extract(Classification, "k__[^;]+") %>% str_remove("^k__"),
    P = str_extract(Classification, "p__[^;]+") %>% str_remove("^p__"),
    C = str_extract(Classification, "c__[^;]+") %>% str_remove("^c__"),
    O = str_extract(Classification, "o__[^;]+") %>% str_remove("^o__"),
    F = str_extract(Classification, "f__[^;]+") %>% str_remove("^f__"),
    G = str_extract(Classification, "g__[^;]+") %>% str_remove("^g__")
  )
# 可选：移除原始分类列
# df_processed <- df_processed %>% select(-Classification)

注意事项 #

• 如果你的分类前缀是大写（比如K__），需要把正则里的kpcofg改成大写KPCOFG；
• 如果分类条目用其他符号分隔（不是分号;），替换正则里的;为对应分隔符即可。

内容的提问来源于stack exchange，提问作者Biomol