如何用向量化函数/lapply/map简化R中构建新DataFrame的重复计算？

你可以用purrr（tidyverse生态）或者base R的lapply来批量处理这些重复操作，避免手动写每一列的计算逻辑：

方法一：用tidyverse的map_dfc #

这种方法更贴合tidyverse的风格，自动整合结果为dataframe，还能批量处理列名：

library(tidyverse)

iris_avg <- iris %>%
  # 筛选所有数值列（自动排除Species列）
  select(where(is.numeric)) %>%
  # 对每一列执行分组求均值的操作，结果按列绑定成dataframe
  map_dfc(~ colMeans(matrix(.x, nrow = 10))) %>%
  # 把列名简化成你需要的格式（比如Sepal.Length → SLength）
  rename_with(~ str_replace_all(.x, c("Sepal" = "S", "Petal" = "P", "\\." = "")))

方法二：base R的lapply实现 #

如果不想加载tidyverse，用base R也能轻松完成：

# 提取iris中的数值列
num_cols <- iris[sapply(iris, is.numeric)]

# 用lapply遍历每一列，执行计算后转成dataframe
iris_avg_base <- as.data.frame(lapply(num_cols, function(x) {
  colMeans(matrix(x, nrow = 10))
}))

# 重命名列名匹配需求
colnames(iris_avg_base) <- str_replace_all(colnames(num_cols), c("Sepal" = "S", "Petal" = "P", "\\." = ""))

两种方法得到的结果和你手动写的iris_avg完全一致，而且后续如果要增加列或者调整分组行数（比如把nrow改成5），只需要修改一处参数即可，不用重复修改每一列的代码。

内容的提问来源于stack exchange，提问作者bkelley9