R语言：微生物分类器多方法结果的最优分类谱系提取需求

问题背景 #

在微生物谱系分类器研究中，需要从三种分类方法的结果里按规则筛选出最优分类记录。现有R数据框df，每条记录以;分隔科、属、种三个分类阶元，示例数据如下：

df <- data.frame(
  classifier_a = c("Lachnospiraceae;Blautia;NA", 'Succinivibrionaceae;Succinivibrio;NA', 'NA;NA;NA'), 
  classifier_b = c('Lachnospiraceae;Blautia;Blautia faecis', 'Succinivibrionaceae;Succinivibrio;NA', 'UGC-10;NA;NA'), 
  classifier_c= c('Lachnospiraceae;Blautia;Blautia faecis', 'Succinivibrionaceae;Succinivibrio;Succinivibrio dextrinosolvens', 'NA;NA;NA')
)

原方法的不足 #

最初尝试用统计众数提取每行最常见结果，但无法满足实际需求：

• 第二行中，classifier_c提供了完整的科、属、种信息，但众数结果仅到属级别（缺失种信息）；
• 第三行中，所有结果里只有classifier_b有有效科信息，此时需选择NA最少的结果，而非无意义的众数。

需求规则 #

1. 优先选择统计众数对应的分类结果；
2. 若众数的分类阶元存在NA（信息不完整），则选择该行中NA数量最少的分类结果；
3. 若存在多个NA数量相同的结果，优先选择与众数分类阶元匹配度最高的（或按列顺序取第一个符合条件的）。

期望输出 #

最终期望得到包含最优结果的数据集：

df <- data.frame(
  classifier_a = c("Lachnospiraceae;Blautia;NA", 'Succinivibrionaceae;Succinivibrio;NA', 'NA;NA;NA'), 
  classifier_b = c('Lachnospiraceae;Blautia;Blautia faecis', 'Succinivibrionaceae;Succinivibrio;NA', 'UGC-10;NA;NA'), 
  classifier_c= c('Lachnospiraceae;Blautia;Blautia faecis', 'Succinivibrionaceae;Succinivibrio;Succinivibrio dextrinosolvens', 'NA;NA;NA'),
  desired_output=c("Lachnospiraceae;Blautia;Blautia faecis", "Succinivibrionaceae;Succinivibrio;Succinivibrio dextrinosolvens","UGC-10;NA;NA")
)

解决方案代码 #

# 自定义众数函数：返回出现次数最多的元素，若多个则返回第一个
get_mode <- function(x) {
  tab <- table(x)
  max_count <- max(tab)
  names(tab[tab == max_count])[1]
}

# 逐行处理数据
df$desired_output <- apply(df, 1, function(row) {
  # 1. 拆分每个分类结果为三个阶元，统计NA数量
  split_vals <- strsplit(row, ";")
  na_counts <- sapply(split_vals, function(x) sum(x == "NA"))
  
  # 2. 获取当前行的众数结果
  mode_val <- get_mode(row)
  
  # 3. 检查众数的NA数量是否为当前行最少
  mode_na_count <- na_counts[which(row == mode_val)[1]]
  min_na_count <- min(na_counts)
  
  if (mode_na_count == min_na_count) {
    # 众数信息最完整，直接返回
    mode_val
  } else {
    # 筛选NA数量最少的结果，优先选择与众数阶元匹配最多的
    candidates <- row[na_counts == min_na_count]
    match_scores <- sapply(strsplit(candidates, ";"), function(x) {
      mode_split <- strsplit(mode_val, ";")[[1]]
      sum(x == mode_split & x != "NA")
    })
    candidates[which.max(match_scores)]
  }
})

# 查看结果
df

代码解释 #

1. 自定义众数函数：处理多众数场景，返回第一个出现次数最多的元素；
2. 逐行逻辑：
   • 拆分每个分类结果为科、属、种字段，统计每个结果的NA数量；
   • 获取当前行众数，检查其NA数量是否为最小值；
   • 若众数信息不完整，筛选NA最少的候选结果，再从中挑选与众数分类阶元匹配度最高的项；
3. 最终将最优结果写入desired_output列。

内容的提问来源于stack exchange，提问作者MagíBC