R语言全局环境矩阵批量处理：统计与K-means聚类求助

第一步：把全局环境中的行矩阵统一收集到列表 #

全局环境里零散的单个矩阵很难高效循环，先把它们集中到一个列表里，两种方法任选：

方法1：矩阵名字有规律（如mat1、mat2...mat125） #

# 生成矩阵名字并获取对应对象
mat_list <- lapply(paste0("mat", 1:125), get)
# 给列表元素命名（对应原矩阵名）
names(mat_list) <- paste0("mat", 1:125)

方法2：矩阵名字无规律，自动筛选所有矩阵对象 #

# 筛选全局环境中所有类型为matrix的对象名
mat_names <- ls()[sapply(ls(), function(x) is.matrix(get(x)))]
# 批量获取对象存入列表
mat_list <- lapply(mat_names, get)
names(mat_list) <- mat_names

第二步：批量计算汇总统计量 #

每个行矩阵本质是一维数据，转成向量后计算均值、中位数等统计量，结果存为数据框方便查看：

# 遍历列表，计算每个矩阵的统计量
summary_stats <- lapply(mat_list, function(mat) {
  vec <- as.vector(mat)
  data.frame(
    均值 = mean(vec, na.rm = TRUE),
    中位数 = median(vec, na.rm = TRUE),
    标准差 = sd(vec, na.rm = TRUE),
    最小值 = min(vec, na.rm = TRUE),
    最大值 = max(vec, na.rm = TRUE)
  )
})

# 合并所有统计量为一个数据框
summary_df <- do.call(rbind, summary_stats)

第三步：K-means聚类分析 #

分两种常见场景，根据你的需求选择：

场景1：对125个样本（每个矩阵是一个样本）聚类 #

把所有行矩阵合并成125行×919296列的大矩阵，再做K-means：

# 合并所有行矩阵为大矩阵
combined_mat <- do.call(rbind, mat_list)

# 设定聚类数k（自行调整，比如k=5）
k <- 5
# 执行K-means
kmeans_sample <- kmeans(combined_mat, centers = k)

# 把聚类标签合并到统计量数据框
summary_df$聚类标签 <- kmeans_sample$cluster

场景2：对每个矩阵内部的919296个元素聚类 #

每个矩阵单独做元素级聚类：

# 遍历每个矩阵，执行K-means（k值自行调整，比如k=3）
kmeans_elements <- lapply(mat_list, function(mat) {
  vec <- as.vector(mat)
  kmeans(vec, centers = 3)
})

# 查看第一个矩阵的聚类结果示例
# 簇中心
kmeans_elements[[1]]$centers
# 每个元素的簇标签
kmeans_elements[[1]]$cluster

新手常见坑提示 #

• 直接循环变量名时忘记用get()获取实际对象，导致操作的是字符串而非矩阵
• 行矩阵未转成向量就计算统计量，部分函数可能无法识别输入格式
• K-means聚类时混淆样本和特征维度：样本是行，特征是列，别搞反

内容的提问来源于stack exchange，提问作者Yogesh Selvakumar