CTPL2通过中文名批量查询植物学名

关注plantlist程序包的朋友们可能记得我在半年前加了CTPL2函数，用来从excel文件中读取植物名并批量查询。这篇主要谈谈在整理CTPL2所用到的数据集时的心得。

写plantlist程序包CTPL2函数主要是想节约点时间。因为在野外调查结束后，整理植物名录总要花上很多时间，直接输入拉丁名显然是费时费力，极容易出错。其中一种方法是用输入法直接输拉丁名，例如拼音加加，不过要根据已经改过名的植物照片整理名录，用输入法逐个输入也是非常麻烦的，这是因为输入法词库大多不提供物种命名人，在严谨的植物名录中是不能用的。cfh可以基于照片生成名录，但是每个种都要有照片，照片要改好名称，上传到cfh，以便自动生成名录。不过这仍然有这样或那样的不便，例如要查询物种的分布，保护等级等信息，过程就非常繁琐。因此我就想能不能用中文名关联上一个数据库， 实现批量查询。

想法是好的，函数也很容易写，但是R的中文编码问题始终让人极为头疼。试了很多种方法让问题简单， 最终只能选用读取excel文件的方式，把字符编码交给openxlsx程序包处理。因为openxlsx包是依赖于Rcpp的，所以要运行新版的plantlist需要安装这两个包。

做一个工具函数同做艺术品是相通的，都要努力发挥创意。要让这个函数好用，最好能满足以下要求：只要在xlsx文件的第一列，依次输入物种中文名，保存，运行函数就能自动生成一个新的excel文件，里面有如下结果：

1. 物种的中文名

2. 学名

3. 带命名人的学名

4. APG等现代分类系统的科名

5. 科中文名

6. 属名

7. 属中文名

8. 该种在国内的IUCN保护等级

9. 是否为特有植物

10. 分布的省市缩写

11. 分布的海拔范围等

因为这些数据都是多样性分析中常用的，所以应尽量出现在结果中。

不同地区物种不同，要满足国内大部分科研人员的需求，名录的覆盖度要很高，所以数据库必须要包括大部分植物的标准中文名。所以这个数据库合并了多个数据库，包括：

1. 《中国植物志》中文名数据库

2. The Plant List网站科属数据库

3. 刘冰等2014中国被子植物属数据库

4. 中国高等植物IUCN红色名录

5. 中国种子植物名称和分布数据库

合并后，数据达到53000多条，包括苔藓、蕨类、裸子植物、被子植物的标准中文名。

数据库合并看似容易，实则问题非常多。例如，当前仍然未能找到苔藓的中文科属名称对照表，蕨类部分也仍然需要按照ppg系统整理，这些仍待下次更新时补充。被子植物部分还好有刘冰博士整理的中文名对照表，让进度加快不少。iucn红色名录数据中，有时候两个学名对应同一个中文名，此外还有为数众多的原变种、原亚种以及原变型等，这在匹配时都是很大的麻烦。不过由于它们的存在，几千条近似的条目分散在这五万多条数据中，要将这种条目合并，需要认真细致的校对。

由于数据量较大，在整理过程中，MS Excel还罢工几次：有时候整理到一万多条，不得不重新开始。吃了两次亏后，只能寄希望于随手按住Control+S了。经过多天的努力，数据终于整理干净了。

全部数据之后压缩成R数据库二进制文件。增加一个版本号后，经过检测，CTPL2函数可正常使用。

整理物种的学名以及相关信息，在植被多样性研究中是十分耗时的。真心希望plantlist程序包的CTPL2函数能帮大家节约时间。该程序包的下载地址是 https://www.github.com/helixcn/plantlist  

如果有任何问题、意见或建议，请发email到jinlongzhang01@gmail.com。

安装 plantlist 请参考 http://blog.sciencenet.cn/blog-255662-846673.html