如何为R数据框按列子集生成非NA计数列与均值列？

问题背景 #

现有如下示例数据框，需要按列名前缀（如var1、var2）生成两类新列：

• 对应前缀列子集的非NA值计数（如var1_count、var2_count）
• 对应前缀列子集的行均值（如avg_var1、avg_var2）

示例数据生成代码：

set.seed(123)
df <- data.frame( id = 1:5,
                  var1_a = runif(1:5),
                  var1_b = runif(1:5),
                  var2_a = runif(1:5),
                  var2_b = runif(1:5))
df[, "var1_a"][ df[, "var1_a"] < 0.5 ] <- NA
df[, "var2_b"][ df[, "var2_b"] > 0.5 ] <- NA

处理后的数据框：

id    var1_a    var1_b    var2_a     var2_b
1  1        NA 0.0455565 0.9568333         NA
2  2 0.7883051 0.5281055 0.4533342 0.24608773
3  3        NA 0.8924190 0.6775706 0.04205953
4  4 0.8830174 0.5514350 0.5726334 0.32792072
5  5 0.9404673 0.4566147 0.1029247         NA

之前尝试的代码因不理解正则\\..*导致匹配错误，同时实际列名存在大小写差异（如brand_m1_A和Brand_m1_B），需要解决这些问题。

关键概念解释：\\..*正则表达式 #

\\..*是正则表达式的写法：

• \\.：匹配点号（正则中点号是通配符，需用反斜杠转义，R里要写两个反斜杠）
• .*：匹配点号之后的任意长度字符
• 所以gsub("\\..*", "", names(df))的作用是：把列名中第一个点及后面的所有内容删除，提取前缀（比如var1_a变成var1，brand_m1_A变成brand）

解决大小写差异问题 #

如果列名前缀存在大小写不同（如brand和Brand），默认分组会把它们当成不同组，需要先统一前缀的大小写：

• 转成小写：tolower(gsub("\\..*", "", names(df)))
• 转成大写：toupper(gsub("\\..*", "", names(df)))

具体解决方案 #

方法1：Base R实现 #

直接基于分组计算计数和均值，再合并到原数据框：

# 提取分组前缀（统一转小写处理大小写差异）
groups <- tolower(gsub("\\..*", "", names(df)))
# 排除id列，只处理数值列
num_cols <- df[, !names(df) %in% "id"]
grouped_cols <- split.default(num_cols, groups)

# 计算非NA计数
count_cols <- lapply(grouped_cols, function(x) rowSums(!is.na(x)))
names(count_cols) <- paste0(names(count_cols), "_count")

# 计算行均值（忽略NA）
mean_cols <- lapply(grouped_cols, function(x) rowMeans(x, na.rm = TRUE))
names(mean_cols) <- paste0("avg_", names(mean_cols))

# 合并所有列
df_result <- cbind(df, count_cols, mean_cols)

运行后得到的结果：

id    var1_a    var1_b    var2_a     var2_b var1_count var2_count   avg_var1   avg_var2
1  1        NA 0.0455565 0.9568333         NA          1          1 0.04555650 0.95683330
2  2 0.7883051 0.5281055 0.4533342 0.24608773          2          2 0.65820530 0.34971097
3  3        NA 0.8924190 0.6775706 0.04205953          1          2 0.89241900 0.35981507
4  4 0.8830174 0.5514350 0.5726334 0.32792072          2          2 0.71722620 0.45027707
5  5 0.9404673 0.4566147 0.1029247         NA          2          1 0.69854100 0.10292470

方法2：tidyverse（dplyr + stringr）实现 #

更直观的管道式操作，适合复杂数据处理：

library(dplyr)
library(stringr)

df_result <- df %>%
  rowwise() %>%
  mutate(
    var1_count = sum(!is.na(c_across(starts_with("var1")))),
    var2_count = sum(!is.na(c_across(starts_with("var2")))),
    avg_var1 = mean(c_across(starts_with("var1")), na.rm = TRUE),
    avg_var2 = mean(c_across(starts_with("var2")), na.rm = TRUE)
  ) %>%
  ungroup()

如果实际列名是brand_m1_A这类，只需把starts_with("var1")改成starts_with(str_to_lower("Brand"))（统一大小写匹配）即可。

内容的提问来源于stack exchange，提问作者Victor Shin