如何从包含6000+个DataFrame的列表生成对应位置取均值的6000×2000均值DataFrame？

我明白你要实现的是对列表里所有DataFrame的对应位置元素取均值，最终生成一个和单个DataFrame维度一致的均值结果。针对你的需求，尤其是考虑到你数据量极大（6000个DF，每个6000行×2000列），这里提供几个实用且高效的解决方案：

问题分析 #

你之前用purrr的reduce/map没成功，大概率是因为列表里的DataFrame列名不匹配（比如示例里的A1/B1/C1），直接操作DataFrame会按列名匹配而非位置匹配，导致结果不符合预期。解决的核心是忽略列名，按位置进行元素级运算。

解决方案1：循环累加（最适合大数据量，内存友好） #

这种方法不需要一次性加载所有数据到内存，而是逐个累加每个DF的数值，最后除以DF总数，内存占用仅为单个DF的大小，非常适合你的超大数据量：

# 初始化一个和单个DF维度一致的零矩阵
sum_matrix <- matrix(0, nrow = nrow(df.list[[1]]), ncol = ncol(df.list[[1]]))

# 遍历列表，累加每个DF的数值（转成矩阵忽略列名）
for (df in df.list) {
  sum_matrix <- sum_matrix + as.matrix(df)
}

# 计算均值并转换为DataFrame，设置列名
mean_df <- as.data.frame(sum_matrix / length(df.list))
colnames(mean_df) <- paste0("M", 1:ncol(mean_df))

运行后得到的结果和你期望的完全一致：

M1       M2 M3
1 1.000000 2.333333 10
2 2.666667 3.666667 12
3 4.333333 5.000000 14
4 6.000000 6.333333 16
5 7.666667 7.666667 18

解决方案2：purrr简洁实现（适合中小数据量） #

如果你的数据量没到极端程度，用purrr的链式操作更简洁，核心是先把每个DF转成矩阵（忽略列名），再用reduce累加：

library(purrr)

# 转换为矩阵后累加，再除以DF数量
mean_matrix <- reduce(map(df.list, as.matrix), `+`) / length(df.list)
mean_df <- as.data.frame(mean_matrix)
colnames(mean_df) <- paste0("M", 1:ncol(mean_df))

解决方案3：数组+apply（中等数据量） #

把所有DF合并成一个三维数组，然后对第三维（即每个位置的所有DF值）取均值：

# 将列表转为三维数组（行×列×DF数量）
df_array <- array(unlist(df.list), dim = c(nrow(df.list[[1]]), ncol(df.list[[1]]), length(df.list)))

# 对每个行-列位置取均值
mean_matrix <- apply(df_array, c(1,2), mean)
mean_df <- as.data.frame(mean_matrix)
colnames(mean_df) <- paste0("M", 1:ncol(mean_df))

⚠️ 注意：这个方法不适合你的超大数据量，因为6000×2000×6000的三维数组会占用极大内存，容易导致内存溢出。

为什么之前的purrr尝试失败？ #

直接用reduce(df.list, +)会按DataFrame的列名进行匹配，而你的示例（以及真实数据）里列名不一致，会生成大量NA并合并所有列，结果完全不符合预期。转成矩阵后就会忽略列名，按位置进行元素级运算，解决这个问题。

内容的提问来源于stack exchange，提问作者pacomet