如何在R中将脑网络节点连接强度大型dataframe的每行转换为matrix并保存为独立.csv文件？

这是脑成像数据处理里很常见的需求，我推荐两种高效的实现方式，你可以根据自己的代码习惯选择：

方法1：Tidyverse工具链（推荐，代码清晰且高效） #

这套工具链用dplyr做分组、purrr处理逐行逻辑、stringr解析列名，代码可读性强，处理大型数据集也很高效。

步骤1：加载依赖包 #

library(dplyr)
library(purrr)
library(stringr)

步骤2：定义转换函数 #

先写一个函数，把单一行的宽格式连接数据转换成116×116的矩阵：

row_to_connectome <- function(row_data) {
  # 初始化116×116的空矩阵，对角线默认设为0（如果原数据没有自身连接的话）
  connectome_mat <- matrix(0, nrow = 116, ncol = 116)
  
  # 提取所有节点连接列（排除subid和group）
  conn_data <- row_data %>% select(starts_with("node"))
  
  # 解析列名，提取节点对的索引
  conn_names <- names(conn_data)
  # 用正则提取列名里的数字，得到节点对的二维数组
  node_pairs <- str_extract_all(conn_names, "\\d+", simplify = TRUE) %>% as.integer()
  
  # 把连接值填充到矩阵对应的位置
  connectome_mat[cbind(node_pairs[, 1], node_pairs[, 2])] <- unlist(conn_data)
  
  # 如果你处理的是无向脑网络，记得把对称位置也填充（可选）
  # connectome_mat[cbind(node_pairs[, 2], node_pairs[, 1])] <- unlist(conn_data)
  
  return(connectome_mat)
}

步骤3：批量处理并保存 #

用分组遍历的方式，给每个受试者生成矩阵并保存为CSV：

df %>%
  group_by(subid) %>%
  group_walk(function(.x, .y) {
    # 生成当前受试者的连接矩阵
    mat <- row_to_connectome(.x)
    # 定义文件名，用subid区分
    filename <- paste0("sub_", .y$subid, "_connectome.csv")
    # 保存矩阵——如果需要保留节点编号作为行/列名，可以修改row.names参数
    write.csv(mat, filename, row.names = FALSE, col.names = FALSE)
    # 若要保留节点名：
    # rownames(mat) <- paste0("node", 1:116)
    # colnames(mat) <- paste0("node", 1:116)
    # write.csv(mat, filename, row.names = TRUE)
  })

方法2：Base R实现（无需额外包） #

如果不想加载第三方包，用Base R的循环和字符串处理也能完成：

# 先筛选出所有节点连接列的索引
conn_col_indices <- grep("^node", names(df))

# 遍历每一行（每个受试者）
for (i in seq(nrow(df))) {
  # 初始化空矩阵
  mat <- matrix(0, nrow = 116, ncol = 116)
  # 获取当前行的连接数据
  conn_vals <- df[i, conn_col_indices]
  # 解析列名：去掉前缀"node"，按"."分割得到节点对
  node_pairs <- do.call(rbind, strsplit(sub("node", "", names(conn_vals)), "\\.")) %>% as.integer()
  # 填充矩阵
  mat[cbind(node_pairs[, 1], node_pairs[, 2])] <- unlist(conn_vals)
  # 无向网络可选：对称填充
  # mat[cbind(node_pairs[, 2], node_pairs[, 1])] <- unlist(conn_vals)
  
  # 生成文件名并保存
  filename <- paste0("sub_", df$subid[i], "_connectome.csv")
  write.csv(mat, filename, row.names = FALSE, col.names = FALSE)
}

针对大型数据集的优化建议 #

如果你的DataFrame包含上万名受试者，推荐用data.table进一步提升速度，它的分组操作比Tidyverse更快：

library(data.table)
setDT(df)

df[, {
  mat <- matrix(0, 116, 116)
  conn_cols <- .SD[, grep("^node", names(.SD)), with = FALSE]
  node_pairs <- str_extract_all(names(conn_cols), "\\d+", simplify = TRUE) %>% as.integer()
  mat[cbind(node_pairs[,1], node_pairs[,2])] <- unlist(conn_cols)
  write.csv(mat, paste0("sub_", subid, "_connectome.csv"), row.names = FALSE)
}, by = subid]

另外补充两个细节：

• 对角线处理：如果原数据没有节点自身的连接列（nodeX.X），矩阵对角线会保持为0，你可以根据需求修改初始化值，比如matrix(1, 116, 116)。
• 文件名定制：可以加入分组信息，比如paste0("sub_", .y$subid, "_group", .x$group, "_connectome.csv")，方便后续分类管理。

内容的提问来源于stack exchange，提问作者Sid0311