R语言如何批量实现150列与36列的Pearson相关性分析？

问题背景 #

需要对150个X变量（x1至x150）与36个Y变量（y1至y36）逐一做Pearson相关性检验，手动重复操作效率极低，需批量实现，同时将每个X变量的分析结果保存为全局环境中对应命名的数据框。

示例数据集 #

df <- structure(list(x1 = c(0.2569, 0.0145896, 0.0369, 0.025986,
                     0.12569, 0.3695), x2 = c(0.125, 0.04582, 0.2569, 0.256369, 0.25698, 0.1456), x3 = c(0.2584, 0.05698, 0.1258, 0.2569, 0.098563, 0.1569), 
                          y1 = c(21, 36, 25, 10, 36, 5), y2 = c(12, 25, 13, 44, 69,23)), row.names = c(NA, -6L), class = "data.frame")

解决方案 #

不需要单独存储Y列，直接从原数据框中提取即可，以下提供两种实现方式：

方法一：基础for循环

适合新手理解逻辑：

1. 先提取X和Y列的名称：

# 筛选所有以x开头的列
x_cols <- grep("^x", names(df), value = TRUE)
# 筛选所有以y开头的列
y_cols <- grep("^y", names(df), value = TRUE)

2. 循环遍历每个X变量，计算与所有Y变量的相关性，并保存结果：

for (x_var in x_cols) {
  # 初始化空列表存储结果
  result_list <- list()
  
  for (y_var in y_cols) {
    # 执行相关性检验
    cor_result <- cor.test(df[[x_var]], df[[y_var]], method = "pearson")
    
    # 提取相关系数和p值，整理成数据框行
    result_row <- data.frame(
      Y_variable = y_var,
      Pearson_correlation = cor_result$estimate,
      p_value = cor_result$p.value
    )
    
    result_list[[y_var]] <- result_row
  }
  
  # 将列表合并为数据框
  final_result <- do.call(rbind, result_list)
  
  # 将结果保存到全局环境，命名与X变量一致
  assign(x_var, final_result, envir = .GlobalEnv)
}

执行后，全局环境中会生成x1、x2等数据框，每个数据框包含对应X变量与所有Y变量的相关系数和p值。

方法二：用purrr包实现更简洁的批量处理

如果熟悉tidyverse，用purrr可以更高效：

library(purrr)
library(dplyr)

# 提取X列名
x_cols <- grep("^x", names(df), value = TRUE)

# 定义单个X变量的分析函数
analyze_x <- function(x_var) {
  y_cols <- grep("^y", names(df), value = TRUE)
  
  map_dfr(y_cols, function(y_var) {
    cor_result <- cor.test(df[[x_var]], df[[y_var]], method = "pearson")
    data.frame(
      Y_variable = y_var,
      Pearson_correlation = cor_result$estimate,
      p_value = cor_result$p.value
    )
  })
}

# 批量处理并将结果存入全局环境
map(x_cols, ~ assign(.x, analyze_x(.x), envir = .GlobalEnv))

验证结果 #

执行完代码后，可通过查看x1数据框验证：

print(x1)

输出示例：

Y_variable Pearson_correlation   p_value
1        y1           -0.7421281 0.0784801
2        y2           -0.6068858 0.1820644

内容的提问来源于stack exchange，提问作者Bellis