基于列标题字符筛选列并计算百分比差异的R语言实现

需求背景 #

现有合并后的年度计数数据集，需按年份匹配对应列（如ABC_2019与ABC_DEF_2019_GHI），批量计算百分比差异，避免为每一年重复编写代码。计算公式为：
差异百分比 = ((对比列 - 基准列)/基准列)*100

原始数据集 #

link_col <- c("A0001", "A0002", "A0003")
ABC_2019 <- c(1000, 300, 5000)
ABC_2020 <- c(800, 600, 2000)
ABC_2021 <- c(600, 100, 900)
ABC_DEF_2019_GHI <- c(1100, 400, 4800)
ABC_DEF_2020_GHI <- c(900, 600, 2100)
ABC_DEF_2021_GHI <- c(500, 200, 800)
data <- data.frame(link_col, ABC_2019, ABC_2020, ABC_2021, 
                   ABC_DEF_2019_GHI, ABC_DEF_2020_GHI, ABC_DEF_2021_GHI)

解决方案 #

方法1：数据重塑法（灵活适配多年份场景） #

通过将宽格式数据转为长格式，统一计算后再转回宽格式，适合年份较多的情况：

library(tidyverse)

# 转长格式，提取分组与年份
data_long <- data %>%
  pivot_longer(
    cols = -link_col,
    names_to = c("group", "year"),
    names_pattern = "(.*)_(20\\d{2})_?",  # 正则表达式匹配分组前缀与年份
    values_to = "value"
  ) %>%
  # 转回宽格式，将同一分组的年度数据放在同一列
  pivot_wider(names_from = group, values_from = value) %>%
  # 计算百分比差异
  mutate(diff = ((ABC_DEF_GHI - ABC)/ABC)*100) %>%
  # 再次转回宽格式，恢复原始列结构并添加差异列
  pivot_wider(
    names_from = year,
    values_from = c(ABC, ABC_DEF_GHI, diff),
    names_glue = "{.value}_{year}"
  )

# 合并原始数据与差异列（或直接使用data_long结果，已包含所有列）
final_data <- data %>% 
  left_join(data_long %>% select(link_col, starts_with("diff_")), by = "link_col")

print(final_data)

方法2：宽格式直接计算法（适合少量年份场景） #

直接在宽格式下通过年份匹配批量计算，代码更简洁：

library(tidyverse)

# 提取所有年份
years <- unique(str_extract(names(data), "20\\d{2}")) %>% na.omit()

# 批量生成差异列
data_final <- data %>%
  mutate(
    across(
      all_of(years),
      ~ ((get(paste0("ABC_DEF_", .x, "_GHI")) - get(paste0("ABC_", .x)))/get(paste0("ABC_", .x)))*100,
      .names = "diff_{.col}"
    )
  )

print(data_final)

列标题筛选技巧 #

在dplyr中可通过以下方式快速筛选列：

• starts_with("ABC_")：筛选所有以ABC_开头的列
• ends_with("_GHI")：筛选所有以_GHI结尾的列
• contains("2019")：筛选所有包含2019的列
• matches("20\\d{2}")：用正则表达式筛选所有年度列（匹配20xx格式）
• all_of(years)：传入年份向量，精准匹配对应列

内容的提问来源于stack exchange，提问作者Rlearn