R中能否用dplyr管道替代lapply处理列表实现分组相异度计算？

我想了解是否可以使用tidyverse完成此前在R中依赖列表实现的分析任务。我有一份记录各样方物种丰度的矩阵，需要借助vegan包的vegdist函数计算相异指数，之后将结果转为长格式、去除自比较记录等。在简单示例中使用dplyr实现非常顺畅，代码如下：

library(tidyverse)
library(vegan)
df <- data.frame(spec1=sample.int(50,10,replace=T),
             spec2=sample.int(75,10,replace=T),
             spec3=sample.int(10,10,replace=T),
             spec4=sample.int(40,10,replace=T),
             spec5=sample.int(50,10,replace=T),
             spec6=sample.int(5,10,replace=T))

 df%>%
  vegdist() %>%
  as.matrix() %>%
  as_tibble(rownames= "rownames") %>%
  pivot_longer(-rownames) %>%
  filter(rownames < name) 

现在需要实现分组计算：数据中的物种分属不同类别，需要为每个类别单独生成距离矩阵，之后再合并为单个长格式data.frame或tibble。初始处理代码如下：

cat <- data.frame(spec=c("spec1","spec2","spec3","spec4","spec5","spec6"),
                  group=c("a","b","c","b","a","c"))
df%>%
  pivot_longer(cols = everything(),values_to="abundance",names_to="spec")%>%
  left_join(cat, by="spec")

前期步骤逻辑很清晰，但到了以往习惯按group列将数据拆分为列表的环节时，始终找不到合适的tidyverse实现方案：尝试过group_by + pivot_wider + vegdist的组合，也试过group_split，但都没能得到可正常运行的结果。求可行的实现方案，或是确认这类场景是否应该继续沿用列表处理的方案。

完全可以在tidyverse框架下实现，不需要退回纯列表操作，核心是用group_nest()+purrr::map()做分组迭代，逻辑和原有列表处理思路一致，但全程保持tibble结构化输出，不用手动拆分、合并列表。
可直接运行的完整代码如下：

library(tidyverse)
library(vegan)

# 沿用示例的分组表、丰度表，提前为样方添加唯一ID避免结果错位
cat <- data.frame(spec=c("spec1","spec2","spec3","spec4","spec5","spec6"),
                  group=c("a","b","c","b","a","c"))
df <- data.frame(spec1=sample.int(50,10,replace=T),
                 spec2=sample.int(75,10,replace=T),
                 spec3=sample.int(10,10,replace=T),
                 spec4=sample.int(40,10,replace=T),
                 spec5=sample.int(50,10,replace=T),
                 spec6=sample.int(5,10,replace=T),
                 row.names = paste0("plot",1:10))

result <- df %>%
  # 丰度表转长表，关联物种分组信息
  pivot_longer(cols = everything(), values_to = "abundance", names_to = "spec") %>%
  mutate(plot_id = rep(paste0("plot",1:10), ncol(df))) %>%
  left_join(cat, by = "spec") %>%
  # 按物种分组嵌套，每个分组对应一个独立子数据集
  group_nest(group) %>%
  # 迭代处理每个分组的子数据集，计算相异指数并整理为长表
  mutate(dist_res = map(data, function(x){
    x %>%
      # 转回样方-物种宽格式丰度矩阵
      pivot_wider(id_cols = plot_id, names_from = spec, values_from = abundance) %>%
      column_to_rownames("plot_id") %>%
      # 调用vegdist计算相异指数
      vegdist() %>%
      as.matrix() %>%
      as_tibble(rownames = "plot1") %>%
      pivot_longer(-plot1, names_to = "plot2", values_to = "dissimilarity") %>%
      # 去除自比较、重复配对记录
      filter(plot1 < plot2)
  })) %>%
  # 展开所有分组的计算结果，得到最终合并的长表
  select(-data) %>%
  unnest(dist_res)

几个关键说明：

• 之前用group_by+pivot_wider运行失败的核心原因是vegdist这类基础R函数不识别dplyr的分组上下文，无法自动对分组子集做独立计算，必须通过嵌套+map迭代的方式显式处理每个分组的子数据集，本质和手动拆分列表的逻辑一致，只是tidyverse帮你完成了结构化拆分、结果对齐和最终绑定，不需要手动做列表命名和行合并。
• 一定要提前为样方设置唯一ID，否则宽表转换、距离矩阵生成的过程中很容易丢失样方匹配关系，导致结果错位。
• 如果已经熟悉列表处理逻辑，完全可以继续沿用，group_split()输出的列表和手动拆分的列表没有本质区别，后续配合map_dfr()添加分组标识后绑定结果即可，两种实现方式没有优劣，选择自己顺手的就行。

group_split版本的核心代码片段参考：

df %>%
  pivot_longer(cols = everything(), values_to = "abundance", names_to = "spec") %>%
  mutate(plot_id = rep(paste0("plot",1:10), ncol(df))) %>%
  left_join(cat, by = "spec") %>%
  group_split(group) %>%
  map_dfr(function(x){
    x %>%
      pivot_wider(id_cols = plot_id, names_from = spec, values_from = abundance) %>%
      column_to_rownames("plot_id") %>%
      vegdist() %>%
      as.matrix() %>%
      as_tibble(rownames = "plot1") %>%
      pivot_longer(-plot1, names_to = "plot2", values_to = "dissimilarity") %>%
      filter(plot1 < plot2) %>%
      mutate(group = unique(x$group))
  })

内容的提问来源于stack exchange，提问作者N R