在R语言中使用变量范围筛选指定列的实现方法

问题 #

我有一个包含多个相似列名的数据集，每个变量对应多列测量值，列名格式如mt1_oranges_vol、mt2_oranges_vol、mt1_pears_vol等。数据集结构如下：

dataset <- structure(
  list(
    Participant.Id = 1:5,
    
    x1 = c(10L, 20L, 30L, 40L, 50L),
    x2 = c(15L, 25L, 35L, 45L, 55L),
    x3 = c(20L, 25L, NA, 45L, NA),
    x4 = c(25L, 30L, NA, 50L, NA),
    x5 = c(NA, 35L, NA, 55L, NA),
    x6 = c(NA, 35L, NA, NA, NA),
    
    y1 = c(10L, 20L, 30L, 40L, 50L),
    y2 = c(15L, 25L, 35L, 45L, 55L),
    y3 = c(20L, 25L, NA, 45L, NA),
    y4 = c(25L, 30L, NA, 50L, NA),
    y5 = c(NA, 35L, NA, 55L, NA),
    y6 = c(NA, 35L, NA, NA, NA),
    
    z1 = c(10L, 20L, 30L, 40L, 50L),
    z2 = c(15L, 25L, 35L, 45L, 55L),
    z3 = c(20L, 25L, NA, 45L, NA),
    z4 = c(25L, 30L, NA, 50L, NA),
    z5 = c(NA, 35L, NA, 55L, NA),
    z6 = c(NA, 35L, NA, NA, NA),
    
    mt1_oranges_vol = c(100L, 200L, 300L, 400L, 500L),
    mt2_oranges_vol = c(110L, 210L, 310L, 410L, 510L),
    mt3_oranges_vol = c(120L, 220L, NA, 420L, 520L),
    mt4_oranges_vol = c(130L, 230L, NA, 430L, NA),
    mt5_oranges_vol = c(NA, 240L, NA, NA, NA),
    mt6_oranges_vol = c(NA, NA, NA, NA, NA),
     
    mt1_pears_vol = c(101L, 201L, 301L, 401L, 501L),
    mt2_pears_vol = c(111L, 211L, 311L, 411L, 511L),
    mt3_pears_vol = c(121L, 221L, NA, 421L, 521L),
    mt4_pears_vol = c(131L, 231L, NA, 431L, NA),
    mt5_pears_vol = c(NA, 241L, NA, NA, NA),
    mt6_pears_vol = c(NA, NA, NA, NA, NA),

    mt1_apples_vol = c(102L, 202L, 302L, 402L, 502L),
    mt2_apples_vol = c(112L, 212L, 312L, 412L, 512L),
    mt3_apples_vol = c(122L, 222L, NA, 422L, 522L),
    mt4_apples_vol = c(132L, 232L, NA, 432L, NA),
    mt5_apples_vol = c(NA, 242L, NA, NA, NA),
    mt6_apples_vol = c(NA, NA, NA, NA, NA)),

  class = "data.frame", 
  row.names = c(NA, -5L)
)

目前我用以下代码筛选以_vol结尾的列：

dataset <- dataset %>% 
  select(Participant.Id,
         matches("_vol$"))

但我希望通过预定义的数值范围变量mt_range <- x:y（x:y为预设数值范围）来仅筛选对应范围的列。我尝试过两种方法都没成功：

1. 直接拼接范围，结果把mt_range作为整体处理，没遍历每个数值：

dataset <- dataset %>% 
  select(Participant.Id,
         matches(paste0("mt", mt_range, "_vol")))

2. 在select里用循环，但select不支持这种写法，而且也没考虑不同的变量名（比如oranges、pears）：

dataset <- dataset %>% 
  select(Participant.Id,
         for (i in mt_range){
           matches(paste0("mt", i, "_vol"))
         })

请问如何实现通过mt_range筛选目标列？

解决方案 #

方法1：构建匹配所有目标数值的正则表达式 #

核心思路是把mt_range里的数值转换成正则中的可选匹配项，结合列名格式生成完整匹配规则，自动覆盖不同的变量名（oranges/pears/apples等）。

示例代码（假设mt_range <- 1:3）：

mt_range <- 1:3
# 构建正则：匹配mt1、mt2、mt3开头，中间任意字符，结尾是_vol的列
pattern <- paste0("mt(", paste(mt_range, collapse = "|"), ")_.+_vol$")

dataset_filtered <- dataset %>% 
  select(Participant.Id, matches(pattern))

方法2：用any_of结合生成的列名向量 #

先生成所有符合条件的列名，再精准筛选，适合需要明确查看筛选列名的场景。

示例代码：

mt_range <- 1:3
# 生成目标前缀集合
target_prefixes <- paste0("mt", mt_range)
# 从数据集列名中筛选包含前缀且以_vol结尾的列
target_cols <- colnames(dataset)[grepl("_vol$", colnames(dataset)) & 
                                  sapply(target_prefixes, function(p) grepl(p, colnames(dataset)))]

dataset_filtered <- dataset %>% 
  select(Participant.Id, any_of(target_cols))

方法3：用starts_with批量匹配（tidyselect 1.2.0+） #

如果你的tidyselect版本足够新，可以直接用starts_with接收向量参数，结合ends_with精准过滤：

mt_range <- 1:3
target_prefixes <- paste0("mt", mt_range)

dataset_filtered <- dataset %>% 
  select(Participant.Id, starts_with(target_prefixes) & ends_with("_vol"))

内容的提问来源于stack exchange，提问作者y.a