如何在R中自动比较两个数据框对应列的数值交集数量

问题背景 #

有两个数据框position_sc（示例中为df.sc）和position_hit（示例中为df.hit），每列对应一位受试者（命名格式为PD..），行代表句子编号。需要统计每位受试者在sc条件下答对的句子数量，即计算两个数据框对应列的交集长度。

单列计算可正常得到结果：

# 单列统计示例
matches.hit_sc_PD02 = length(intersect(df.sc$PD02, df.hit$PD02))
matches.hit_sc_PD02
# 输出: [1] 3

但尝试批量处理时返回NULL：

df.hit_sc = list(df.hit, df.sc)
names(df.hit_sc) = c("hit", "sc")
matches.hit_sc_all = sapply(df.hit_sc, function(x) intersect(df.sc$x, df.hit$x))
matches.hit_sc_all
# 输出:
# $hit
# NULL
# 
# $sc
# NULL

错误原因 #

你的批量处理逻辑存在三个关键问题：

• sapply(df.hit_sc, ...)是遍历整个数据框列表（先处理df.hit，再处理df.sc），而非遍历列名，不符合“对应列计算”的需求
• 在函数中使用df.sc$x无法正确引用列名，R中通过字符串索引列应该用df.sc[[x]]的形式
• 代码逻辑没有实现“两个数据框对应列取交集”，而是错误地尝试在单个数据框内部操作

解决方法 #

方法1：使用mapply（基础R） #

mapply可以同时对两个数据框的对应列执行操作，完美匹配需求：

# 直接计算所有对应列的交集长度
result_mapply = mapply(function(col_sc, col_hit) {
  length(intersect(col_sc, col_hit))
}, df.sc, df.hit)

# 整理为易读的数据框格式
result_mapply_df = data.frame(
  受试者 = names(result_mapply),
  答对数量 = as.vector(result_mapply)
)

print(result_mapply_df)

运行结果：

受试者 答对数量
1   PD02        3
2   PD03        3
3   PD04        3
4   PD05        3

方法2：使用purrr::map2（tidyverse风格） #

如果你习惯tidyverse语法，map2可以更简洁地实现：

library(purrr)

result_map2 = map2(df.sc, df.hit, ~length(intersect(.x, .y))) %>%
  unlist() %>%
  data.frame(受试者 = names(.), 答对数量 = .)

print(result_map2)

运行结果与方法1完全一致。

方法3：遍历列名（基础R） #

通过遍历列名，逐个取对应列计算：

subject_names = names(df.sc)
result_colnames = sapply(subject_names, function(name) {
  length(intersect(df.sc[[name]], df.hit[[name]]))
})

result_colnames_df = data.frame(
  受试者 = subject_names,
  答对数量 = as.vector(result_colnames)
)

print(result_colnames_df)

同样得到正确的批量统计结果。

验证可复现代码 #

先运行你提供的代码生成数据框：

# CREATE 2 DATAFRAMES
# Dataframe 1
df.sc = data.frame(
  PD02 = c(1,3,7,9,12),
  PD03 = c(8,9,10,11,13),
  PD04 = c(1,2,3,24,36),
  PD05 = c(1,9,20,23,26)
)

# Dataframe 2
list.hit = list(
  PD02 = c(1,3,7,8,11,13,14,15,16,17),
  PD03 = c(2,4,6,10,11,13,18,19,21),
  PD04 = c(1,2,3,4,6),
  PD05 = c(18,19,20,23,25,26)
)

# 转换为数据框
library(stringi)
df.hit = as.data.frame(t(stri_list2matrix(list.hit)))
df.hit = data.frame(t(df.hit))
names(df.hit)[1:4] = names(df.sc)[1:4]
df.hit = sapply(df.hit, as.integer)
df.hit = data.frame(t(df.hit))
df.hit = data.frame(t(df.hit))

再运行上述解决方法的代码，即可得到正确的批量统计结果。

内容的提问来源于stack exchange，提问作者Tena