在R语言中高效为数据框添加多列众数新列及类别频次统计

问题说明 #

现有如下结构的R数据框：

需要完成以下操作：

• 统计每个id对应的w1-w6列中light、medium、heavy的频次，生成N_light、N_medium、N_heavy列；
• 基于w1-w6列的众数生成final列（若多个值频次相同，取首次出现的那个，例如id=55时light先出现，故final为light）。

由于真实数据包含百万行，此前使用DescTools::Mode结合for循环实现，运行效率极低，需要高效解决方案。

解决方案1：使用data.table（推荐百万级数据） #

data.table基于C实现，内存占用低、运算速度快，是处理大数据的首选工具：

library(data.table)

# 将原数据框转换为data.table格式
dt <- as.data.table(your_data)

# 1. 计算各类别频次
dt[, c("N_light", "N_medium", "N_heavy") := .(
  rowSums(.SD == "light", na.rm = TRUE),
  rowSums(.SD == "medium", na.rm = TRUE),
  rowSums(.SD == "heavy", na.rm = TRUE)
), .SDcols = paste0("w", 1:6)]

# 2. 自定义高效众数函数（处理并列众数时取首次出现的值）
get_row_mode <- function(x) {
  x_clean <- na.omit(x)
  if (length(x_clean) == 0) return(NA_character_)
  freq_table <- table(x_clean)
  max_count <- max(freq_table)
  # 返回第一个出现的最高频次类别
  names(freq_table)[freq_table == max_count][1]
}

# 对每行w1-w6列应用众数函数
dt[, final := apply(.SD, 1, get_row_mode), .SDcols = paste0("w", 1:6)]

解决方案2：使用dplyr #

若习惯tidyverse语法，可使用dplyr的向量化操作替代循环：

library(dplyr)
library(purrr)

your_data %>%
  mutate(
    # 计算各类别频次
    N_light = rowSums(across(w1:w6, ~ .x == "light"), na.rm = TRUE),
    N_medium = rowSums(across(w1:w6, ~ .x == "medium"), na.rm = TRUE),
    N_heavy = rowSums(across(w1:w6, ~ .x == "heavy"), na.rm = TRUE),
    # 计算每行众数
    final = pmap_chr(across(w1:w6), function(...) {
      x_clean <- na.omit(c(...))
      if (length(x_clean) == 0) return(NA_character_)
      freq_table <- table(x_clean)
      max_count <- max(freq_table)
      names(freq_table)[freq_table == max_count][1]
    })
  )

优化说明 #

• 摒弃for循环：使用rowSums、apply/pmap等批量操作替代逐行循环，将运算效率提升数个数量级；
• 轻量众数函数：自定义函数避免了DescTools::Mode的额外封装开销，同时明确处理并列众数的逻辑；
• 数据格式选择：百万级数据优先使用data.table，其内存管理和运算速度均优于dplyr。

内容的提问来源于stack exchange，提问作者New R user