如何用R/data.table拆分分类路径列并按门级汇总计数

我来帮你搞定这个data.table的分类层级统计需求，用data.table原生的语法就能高效完成，而且很容易扩展到门、纲、目等任意分类层级。

第一步：构建可复现的示例数据 #

先把你给出的5行示例数据转换成data.table对象，方便后续操作：

library(data.table)

dt <- data.table(
  taxpath = c(
    "Bacteroidetes; Flavobacteriia; Flavobacteriales; Flavobacteriaceae; Formosa; Formosa sp. Hel3_A1_48",
    "Bacteroidetes; Flavobacteriia; Flavobacteriales; Cryomorphaceae; NA; Cryomorphaceae bacterium BACL29 MAG-121220-bin8",
    "Proteobacteria; Alphaproteobacteria; Pelagibacterales; Pelagibacteraceae; Candidatus Pelagibacter; NA",
    "Proteobacteria; Alphaproteobacteria; Pelagibacterales; NA; NA; NA",
    "Planctomycetes; NA; NA; NA; NA; Planctomycetes bacterium TMED84"
  ),
  N = c(57, 54, 53, 41, 41)
)

第二步：提取门级分类并求和 #

用data.table的tstrsplit()函数拆分taxpath列（按分号+空格的分隔符），提取第一个元素就是门级分类，再按门分组求和：

# 提取门级并计算总计数
dt_phylum <- dt[, .(phylum = tstrsplit(taxpath, "; ")[[1]], N)][, .(Nnew = sum(N)), by = phylum]

# 查看结果
dt_phylum

运行后就能得到你想要的输出：

phylum Nnew
1: Bacteroidetes  111
2: Proteobacteria   94
3: Planctomycetes   41

第三步：扩展到其他分类层级 #

如果要处理纲、目、科等其他层级，只需要调整tstrsplit提取的索引即可，比如：

• 提取纲级（第二个元素）：

dt_class <- dt[, .(class = tstrsplit(taxpath, "; ")[[2]], N)][, .(Nnew = sum(N)), by = class]

• 提取目级（第三个元素）：

dt_order <- dt[, .(order = tstrsplit(taxpath, "; ")[[3]], N)][, .(Nnew = sum(N)), by = order]

补充说明 #

• tstrsplit()是data.table专为拆分字符串列设计的函数，比基础R的strsplit()更高效，适合处理大型data.table
• 拆分时用"; "作为分隔符，是因为你的taxpath里分号后面跟着空格，这样拆分出来的元素不会带多余空格
• 如果有些层级是NA，分组时会自动把NA作为一个单独的组，如果你想过滤掉NA的组，可以在后面加[!is.na(层级列)]，比如：

# 过滤掉门级为NA的组（示例中没有，但实际数据可能存在）
dt_phylum_clean <- dt[, .(phylum = tstrsplit(taxpath, "; ")[[1]], N)][!is.na(phylum), .(Nnew = sum(N)), by = phylum]

内容的提问来源于stack exchange，提问作者Revan