如何结合str_starts与n_distinct()统计样本唯一物种数（排除重复未知种）

需求 #

统计每个样本的唯一物种数量，但仅当未知物种确定不会与样本中已识别物种重复时，才将其计入总数。

示例数据集 #

test <- data.frame(sample = c(rep(1, 4), 
                             rep(2, 4), 
                             rep(3, 4), 
                             rep(4, 4), 
                             rep(5, 1)), 
                   species = c(c("Species_a", "Species_b", "Species_c", "Species_c"), 
                              c("Species_a", "Species_b", "Species_c", "Species_d"),
                              c("Species_a", "Species_b", "Species_b", "Species_b"),
                              c("Species_a", "Species_b", "Species_c", "Unknown_b_or_d"), 
                              c("Unknown_a_or_c")))

期望输出 #

sample nspp
1      1    3
2      2    4
3      3    2
4      4    3
5      5    1

疑问与尝试 #

我可以通过filter、summarize(n_distinct)和mutate的组合实现需求，但想通过str_starts简化步骤。尝试了以下语法有误的代码，想知道能否将str_starts与n_distinct()结合使用：

test %>%
  group_by(thing) %>%
  summarize(nspp_unknown = n_distinct(str_starts(common_name, pattern =  "Unknown")))

补充规则 #

统计需避免重复计数：

• 若未知物种的候选包含样本中已识别的物种，则排除不计（如样本4的Unknown_b_or_d，候选包含已存在的Species_b）
• 若未知物种的候选均不在样本已识别物种中，则计入1个（如样本5的Unknown_a_or_c，样本无已识别物种，候选均不存在）

解决方案 #

可以结合str_starts、n_distinct和字符串解析实现需求，以下是完整代码：

library(dplyr)
library(stringr)

test %>%
  group_by(sample) %>%
  summarize(
    # 计算已知物种的唯一数量
    known_unique = n_distinct(species[!str_starts(species, "Unknown")]),
    # 提取当前样本中的未知物种
    unknowns = species[str_starts(species, "Unknown")],
    # 判断是否需要计入未知物种
    add_unknown = case_when(
      length(unknowns) == 0 ~ 0,
      TRUE ~ {
        # 解析未知物种中的候选物种（如从Unknown_a_or_c提取a、c）
        candidates = str_extract_all(unknowns, "(?<=Unknown_)[a-z]+(?=_or_|$)") %>% unlist()
        candidates_full = paste0("Species_", candidates)
        # 检查所有候选是否都不在已知物种中
        if(all(!candidates_full %in% species[!str_starts(species, "Unknown")])) 1 else 0
      }
    ),
    # 计算总物种数
    nspp = known_unique + add_unknown
  ) %>%
  select(sample, nspp)

代码说明 #

1. 按sample分组后，先用str_starts筛选出已知物种，计算其唯一数量
2. 提取未知物种，通过正则表达式解析出候选物种，转换为与已知物种一致的命名格式
3. 判断候选物种是否均不在已知物种中，是则加1，否则不加
4. 最后合并已知物种数和符合条件的未知物种数，得到最终结果

内容的提问来源于stack exchange，提问作者N.F.F.