求助：用循环或函数实现R中首时间点与后续时间点的Cohen's d计算

这里给你两种高效的实现方式，替代重复的手动计算：

方法1：用tidyverse（purrr）实现 #

适合已经在使用tidyverse工具链的场景，代码更简洁：

首先加载所需包：

library(effsize)
library(tidyverse)

执行计算：

# 定义需要对比的列索引（第2至12列）
compare_cols <- 2:12

# 遍历列并批量计算Cohen's d，自动合并为数据框
result_df <- map_dfr(compare_cols, function(col_idx) {
  cohens_d(df[[1]], df[[col_idx]], paired = TRUE) %>%
    as.data.frame() %>%
    mutate(timepoint = col_idx)
})

map_dfr会自动将每次迭代的结果行绑定成完整数据框，省去手动创建多个临时对象再合并的步骤。

方法2：基础R循环实现 #

如果偏好基础R语法，无需额外依赖tidyverse：

首先加载包：

library(effsize)

执行计算：

# 初始化空数据框用于存储结果
result_df <- data.frame()

# 循环遍历第2至12列
for (col_idx in 2:12) {
  # 计算当前列与第1列的配对Cohen's d
  d_result <- as.data.frame(cohens_d(df[[1]], df[[col_idx]], paired = TRUE))
  # 添加对应时间点标识
  d_result$timepoint <- col_idx
  # 将结果追加到总数据框
  result_df <- rbind(result_df, d_result)
}

两种方法最终得到的result_df都包含11行数据，每行对应第1个时间点与后续某一时间点的Cohen's d值、95%置信区间，以及对应的timepoint列。

内容的提问来源于stack exchange，提问作者Milena