如何在R中批量处理多个数据框：子集化与新增列

我刚接触数据分析，这是我的首个提问。我在R中有12个数据框（命名如cyclistic202201、cyclistic202202…cyclistic202212），需要先对它们进行子集化，再新增若干列。目前我通过重复复制代码块并修改对应数据框编号来操作，效率极低且难以维护。

当前子集化代码：

sub_202212 <- subset(
  cyclistic202212,
  select = c(ride_id, rideable_type, started_at, ended_at, member_casual))

当前新增列代码：

sub_202202$month <- format(as.Date(sub_202202$date), "%m")
sub_202202$day <- format(as.Date(sub_202202$date), "%d")
sub_202202$year <- format(as.Date(sub_202202$date), "%Y")
sub_202202$day_of_week <- format(as.Date(sub_202202$date), "%A")

我想知道有没有批量处理的方法精简代码，最好能在子集化的同时完成列的新增（所有数据框操作逻辑一致）。以下是简化的示例数据：

df1 <- data.frame(id = c(1, 2, 3, 4, 5),
                  trips = c(3, 6, 3, 7, 8))
df2 <- data.frame(id = c(6, 7, 8, 9, 10),
                  trips = c(3, 5, 2, 7, 10))

1. 整合数据框到列表 #

先把所有需要处理的原始数据框集中到一个列表里，避免逐个操作。如果数据框命名有规律（比如都是cyclistic2022开头），可以用mget()批量获取：

# 获取所有以cyclistic2022开头的数据框
original_dfs <- mget(ls(pattern = "^cyclistic2022"))

如果是示例里的df1、df2，可手动构建列表：

original_dfs <- list(df1 = df1, df2 = df2)

2. 编写统一处理函数 #

把子集化和新增列的逻辑封装成一个函数，确保所有数据框遵循同一规则：

process_df <- function(df) {
  # 子集化：保留指定列
  sub_df <- subset(df, select = c(ride_id, rideable_type, started_at, ended_at, member_casual))
  
  # 新增日期相关列（若没有单独的date列，可替换为started_at：as.Date(df$started_at)）
  sub_df$month <- format(as.Date(sub_df$date), "%m")
  sub_df$day <- format(as.Date(sub_df$date), "%d")
  sub_df$year <- format(as.Date(sub_df$date), "%Y")
  sub_df$day_of_week <- format(as.Date(sub_df$date), "%A")
  
  return(sub_df)
}

# 针对示例数据的简化处理函数（比如新增trips平方列）
process_sample_df <- function(df) {
  sub_df <- df
  sub_df$trips_squared <- sub_df$trips ^ 2
  return(sub_df)
}

3. 批量处理所有数据 #

用基础R的lapply()或tidyverse的purrr::map()批量应用处理函数：

# 基础R方式
processed_dfs <- lapply(original_dfs, process_df)

# tidyverse方式（需先安装purrr包：install.packages("purrr")）
library(purrr)
processed_dfs <- map(original_dfs, process_df)

4. 可选：将处理后的数据放回全局环境 #

如果需要把每个处理后的数据框单独放到全局环境（比如sub_202201），可以用list2env()：

# 重命名列表元素为sub_前缀
names(processed_dfs) <- gsub("^cyclistic", "sub_", names(processed_dfs))
# 导入到全局环境
list2env(processed_dfs, envir = .GlobalEnv)

额外建议 #

• 若started_at是POSIXct格式，直接用as.Date(df$started_at)转换日期即可，无需依赖单独的date列。
• 推荐保留列表形式处理后续分析，比如合并所有数据框成一个大表，比分散的单个数据框更易维护：

  # 基础R合并
  combined_df <- do.call(rbind, processed_dfs)
  
  # tidyverse合并（需安装dplyr包）
  library(dplyr)
  combined_df <- bind_rows(processed_dfs)
  

内容的提问来源于stack exchange，提问作者weeelum