如何基于独立DataFrame实现sumproduct运算？

我有如下包含5个数值列的数据集：

test_data <- tribble(
  ~one, ~two, ~three, ~four, ~five, 
  1, 2, 3, 4, 5, 
  2, 4, 6, 8, 10,
  3, 6, 9, 12, 15, 
  4, 8, 12, 16, 20
)

以及用于加权的权重表：

multiplier <- tribble(
  ~step, ~pct,
  "one", 0,
  "two", 1, 
  "three", 0, 
  "four", 1, 
  "five", 0
)

需要生成包含result列的结果表，result是各列按对应权重加权求和的结果，预期输出如下：

> result_df
# A tibble: 4 x 6
    one   two three  four  five result
  <dbl> <dbl> <dbl> <dbl> <dbl>  <dbl>
1     1     2     3     4     5      6
2     2     4     6     8    10     12
3     3     6     9    12    15     18
4     4     8    12    16    20     24

实际场景中有约40个列，且权重可能是0到1之间的任意值，之前尝试的代码无法得到正确结果：

test_data %>% 
  rowwise() %>% 
  mutate(result = prod(one:five, multiplier$pct))

也试过crossprod但不符合需求，需要dplyr风格的解决方案。

方法1：mutate() + c_across()（推荐，适配多列场景） #

先提取和数据集列顺序匹配的权重向量，再通过行内向量运算完成加权求和：

library(dplyr)

# 提取权重，确保和test_data的列顺序一致
weights <- multiplier$pct[match(names(test_data), multiplier$step)]

test_data %>%
  mutate(result = rowSums(c_across(everything()) * weights))

c_across(everything())会将每一行的所有列转换为向量，和权重向量逐元素相乘后，用rowSums快速求和，无需逐行分组，效率更高。

方法2：rowwise()显式处理行 #

如果需要逐行操作，可结合rowwise()和c_across()实现：

test_data %>%
  rowwise() %>%
  mutate(result = sum(c_across(everything()) * weights)) %>%
  ungroup() # 处理完记得取消分组，避免后续操作性能下降

方法3：矩阵乘法（大数据集高效方案） #

当数据集规模较大时，矩阵乘法的运算效率最优，结合dplyr的写法如下：

test_data %>%
  mutate(result = as.matrix(.) %*% weights)

as.matrix(.)将数据集转换为矩阵，与权重向量做矩阵乘法后，直接生成result列。

内容的提问来源于stack exchange，提问作者J K