c_across()运行极慢——有没有更快且优雅的R语言替代方案？

针对你用crossing生成大量D&D点数组合后，rowwise()+c_across()求和速度慢的问题，给你两个既灵活又高效的方案：

方案1：用rowSums() + pick()（最推荐） #

这是向量化操作，完全避开rowwise的逐行开销，同时pick()能灵活匹配列范围，完美兼容列数变化：

# 假设你的数据框是df，列范围是d1_points到d6_points
df <- df %>% mutate(total_points = rowSums(pick(d1_points:d6_points), na.rm = TRUE))

pick()支持多种列选择方式，比如用starts_with("d")匹配所有以d开头的点数列，不管后续新增多少列（比如d7_points）都能自动适配：

df <- df %>% mutate(total_points = rowSums(pick(starts_with("d")), na.rm = TRUE))

方案2：用purrr::reduce() + 向量化加法 #

如果你更倾向于tidyverse的函数式风格，用reduce对选中的列做逐列相加，同样是向量化操作，速度和直接列相加接近：

library(purrr)
df <- df %>% mutate(total_points = reduce(pick(d1_points:d6_points), `+`))

同样可以用starts_with("d")这类选择器来适配列数变化。

为什么原来的方法慢？ #

rowwise()会把数据框拆成单个行的tibble逐行处理，每一行都要初始化新的计算环境，对于crossing生成的超大组合数据框，这种逐行操作的开销会被无限放大，导致速度骤降。而上面的两种方案都是基于向量化计算，直接对整列数据做运算，效率和直接列相加几乎一致。

内容的提问来源于stack exchange，提问作者Rob Hanssen