如何用循环基于数据框列生成多个与Municipio的列联表？

先将示例数据框加载到R环境中：

df <- structure(list(`Nombre del encuestado` = structure(c(1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L), .Dim = 20L, class = "table"), Municipio = c("IPIALES", 
"IPIALES", "IPIALES", "IPIALES", "IPIALES", "IPIALES", "IPIALES", 
"IPIALES", "IPIALES", "IPIALES", "IPIALES", "IPIALES", "IPIALES", 
"IPIALES", "IPIALES", "IPIALES", "IPIALES", "IPIALES", "IPIALES", 
"ARBOLEDA"), `Cuenta con sistema de Riego:` = c("NO", "NO", "NO", 
"SI", "SI", "NO", "NO", "NO", "SI", "NO", "SI", "NO", "NO", "SI", 
"SI", "NO", "NO", "SI", "NO", "NO"), `Procedencia del agua:` = c("Lluvia", 
"Lluvia", "Lluvia", "Acueducto", "Acueducto", "Lluvia", "Lluvia", 
"Lluvia", "Acueducto", "Lluvia", "Acueducto", "Lluvia", "Lluvia", 
"Acueducto", "Acueducto", "Lluvia", "Lluvia", "Acueducto", "Lluvia", 
"Lluvia"), `Cuenta con certificación en:` = c("Ningúna", "Ningúna", 
"Ningúna", "Ningúna", "Ningúna", "Ningúna", "Ningúna", "Ningúna", 
"Ningúna", "Ningúna", "Ningúna", "Ningúna", "Ningúna", "Ningúna", 
"Ningúna", "Ningúna", "Ningúna", "Ningúna", "BPA", "Ningúna")), row.names = c(NA, 
20L), class = "data.frame")

如果你已经能手动用table(df$Municipio, df$目标列)生成单个列联表，下面两种方法可以帮你批量处理所有目标列：

方法1：for循环（直观易调试） #

先筛选出需要配对的列——排除Municipio本身，以及全为单一值的Nombre del encuestado（这类列的列联表无分析价值）：

# 定义目标列集合
target_cols <- setdiff(names(df), c("Municipio", "Nombre del encuestado"))

# 创建空列表存储所有列联表
cross_tables <- list()

# 循环遍历每个目标列
for (col in target_cols) {
  # 生成当前列与Municipio的列联表
  tbl <- table(df$Municipio, df[[col]])
  # 把列联表存入列表，用列名作为索引键
  cross_tables[[col]] <- tbl
  # 可选：打印当前列的列联表，方便即时查看
  cat("=== Municipio vs", col, "列联表 ===\n")
  print(tbl)
  cat("\n")
}

循环结束后，cross_tables列表里就存好了所有结果，比如调用灌溉系统的列联表可直接用cross_tables[["Cuenta con sistema de Riego:"]]。

方法2：lapply（R风格简洁实现） #

R的lapply是更高效的向量式操作，代码更紧凑：

# 同样先定义目标列
target_cols <- setdiff(names(df), c("Municipio", "Nombre del encuestado"))

# 用lapply批量生成列联表
cross_tables_lapply <- lapply(target_cols, function(col) {
  table(df$Municipio, df[[col]])
})

# 给列表元素命名，方便后续查找
names(cross_tables_lapply) <- target_cols

# 查看所有结果
cross_tables_lapply

两种方法各有优势：for循环逻辑直观，适合新手调试；lapply是R原生向量操作，代码更简洁，处理大数据时效率更高。

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