R语言：未知列数时修改列值及矩阵行标准化实现方法

一、矩阵的行标准化处理 #

给定原始矩阵：

df <- matrix(c(9185, 3661, 9539, 4266, 9650, 3897, 9160, 4451), nrow = 2, ncol = 4)

要实现每行元素的 (元素-行均值)/行标准差 标准化，用 apply() 函数按行处理即可：

# 按行计算z-score标准化
normalized_df <- t(apply(df, 1, function(x) (x - mean(x)) / sd(x)))

# 查看结果
print(normalized_df)

运行后得到的结果与目标矩阵一致（小数位数差异为计算精度导致，可通过round()调整）：

[,1]       [,2]      [,3]       [,4]
[1,] -0.8003056  0.6269401  1.074466 -0.9011005
[2,] -1.1445034  0.5536560 -0.482081  1.0729281

代码说明 #

• apply(df, 1, ...)：MARGIN=1 指定按行处理，对每行数据执行自定义函数
• 自定义函数 function(x) (x - mean(x)) / sd(x)：计算当前行的z-score
• t()：apply返回结果为列向量形式，转置后恢复原矩阵的行列结构

二、未知列数时修改数据框的所有列 #

当数据框列数不确定，但需要对所有列执行相同处理时，有以下几种常用方法：

方法1：基础R的apply()函数 #

适用于所有基础R场景，按列处理后转成数据框：

# 示例数据框（列数可任意调整）
df_data <- data.frame(a = rnorm(10), b = rnorm(10), c = rnorm(10))

# 对所有列执行标准化（可替换为其他处理逻辑）
df_processed <- as.data.frame(apply(df_data, 2, function(x) (x - mean(x)) / sd(x)))

方法2：tidyverse风格的mutate_all() #

如果使用dplyr包，mutate_all()可以更简洁地处理所有列：

library(dplyr)

df_processed <- df_data %>% 
  mutate_all(~ (.x - mean(.x)) / sd(.x))  # ~ 表示公式，.x代表每一列

方法3：循环遍历列名 #

适合需要逐列精细控制的场景：

# 获取所有列名
all_cols <- colnames(df_data)

# 遍历每一列修改值
for(col in all_cols) {
  # 这里替换为你需要的处理逻辑，示例为标准化
  df_data[[col]] <- (df_data[[col]] - mean(df_data[[col]])) / sd(df_data[[col]])
}

内容的提问来源于stack exchange，提问作者Fred