如何无需循环，利用另一数据框标准化数据框中的scale变量？

当然有很多不用循环的高效方案！R的核心优势之一就是向量化操作，搭配tidyverse或者data.table工具，能让你的代码更简洁且性能更好，下面是几种常用的实现方式：

方法一：使用dplyr（tidyverse风格） #

这是最直观的tidy方法，利用across批量处理目标列，配合命名向量来匹配均值和标准差：

library(dplyr)

# 将norm_fin中的均值和标准差转换为以变量名为键的命名向量
mean_ref <- setNames(norm_fin$meanVar, norm_fin$variable)
sd_ref <- setNames(norm_fin$SdVar, norm_fin$variable)

# 对x1-x6列执行标准化
dat1 <- dat %>%
  mutate(across(all_of(varVec), ~ (.x - mean_ref[cur_column()]) / sd_ref[cur_column()]))

解释：

• across(all_of(varVec))指定要处理的列集合
• cur_column()会自动获取当前正在处理的列名，精准匹配mean_ref和sd_ref中的对应值
• 整个过程完全向量化，没有循环开销

方法二：使用data.table（适合大数据场景） #

如果你的数据量很大，data.table的操作速度会更有优势，同样可以避免循环：

library(data.table)

# 将数据框转换为data.table对象
setDT(dat)
setDT(norm_fin)

# 先将标准化参数整理为命名列表，方便快速查找
norm_params <- split(norm_fin[, .(meanVar, SdVar)], by = "variable")

# 批量更新目标列
dat1 <- dat[, (varVec) := lapply(varVec, function(col) {
  (get(col) - norm_params[[col]]$meanVar) / norm_params[[col]]$SdVar
})]

方法三：基础R的矩阵广播 #

如果你偏好使用基础R，可利用矩阵的广播特性来实现向量化计算：

# 提取需要标准化的数值列
numeric_cols <- dat[, varVec, drop = FALSE]

# 将均值和标准差转换为可广播的矩阵（行数与dat一致）
mean_matrix <- matrix(mean_ref[varVec], nrow = nrow(dat), ncol = length(varVec), byrow = TRUE)
sd_matrix <- matrix(sd_ref[varVec], nrow = nrow(dat), ncol = length(varVec), byrow = TRUE)

# 执行标准化计算
numeric_cols_std <- (numeric_cols - mean_matrix) / sd_matrix

# 合并回原数据框并保持列顺序
dat1 <- cbind(dat[, !names(dat) %in% varVec], numeric_cols_std)
dat1 <- dat1[, names(dat)]  # 可选，确保列顺序和原数据一致

这些方法都避免了显式循环，充分利用了R的向量化特性，在数据量较大时性能会明显优于循环解法。

内容的提问来源于stack exchange，提问作者89_Simple