如何基于嵌套列内的参数对R语言DataFrame进行数据整理？

假设我们有如下DataFrame：

a = c(rep(1,5),rep(0,5),rep(1,5),rep(0,5))
b = c(rep(4,5),rep(3,5),rep(2,5),rep(1,5))
c = c(rep("w",5),rep("x",5),rep("y",5),rep("z",5))
df = data.frame(a,b,c)
df = df %>% 
  nest(data=c(a,b))

我希望利用嵌套的data列中的参数对整个DataFrame进行操作，例如：

• 使用filter()剔除嵌套data列中a列求和为0的行
• 依据b列的max()值对DataFrame行进行排序

我自己想到了一种笨拙的实现方法，但不适用于大型数据集：

sum_column = function(df){

  df = df %>% 
    summarize(value=sum(a))
  return(df[[1]][1])
}

#新增a列求和的列后再筛选
df = df %>% 
  mutate(sum_of_a = map(data, ~sum_column(.x))) %>% 
  filter(!sum_of_a==0)

请问该如何高效实现上述需求？

1. 直接在filter中筛选（无中间列） #

不需要额外新增列，用map_lgl直接返回逻辑值供filter使用，避免中间列占用内存，适合大型数据集：

library(tidyverse)

# 剔除data中a列求和为0的行
df_filtered <- df %>%
  filter(map_lgl(data, ~sum(.x$a) != 0))

2. 依据嵌套列统计量排序 #

用map_dbl提取每个嵌套data中b列的最大值，直接传入arrange完成排序，同样无需额外列：

# 按data中b列的最大值降序排序
df_sorted <- df %>%
  arrange(desc(map_dbl(data, ~max(.x$b))))

3. 一次性提取多统计量（按需使用） #

如果后续需要复用多个嵌套列的统计值，可一次性提取，但仅在确实需要保留这些值时使用，避免不必要的内存消耗：

df_stats <- df %>%
  mutate(
    sum_a = map_dbl(data, ~sum(.x$a)),
    max_b = map_dbl(data, ~max(.x$b))
  ) %>%
  filter(sum_a != 0) %>%
  arrange(desc(max_b))

内容的提问来源于stack exchange，提问作者Alex Markov