R中多同变量字符向量的探索性数据分析及计数整合问题

我太懂你这个痛点了！用apply搭配table的时候，只要某一列缺了某个类别，返回的结果就会变成长度不一的列表，转成data.frame的时候完全乱套。下面给你几个实用的解决办法，不管你习惯用tidyverse还是基础R都能搞定：

方法1：用tidyverse（dplyr+tidyr）一键搞定 #

这是最直观的tidy风格写法，通过“转长-计数-转宽”的流程自动补全缺失类别的计数为0：

library(dplyr)
library(tidyr)

# 假设你的数据框是df，目标列是Col1, Col2, Col3
result <- df %>%
  select(Col1, Col2, Col3) %>% # 筛选需要统计的列
  pivot_longer(everything(), names_to = "column", values_to = "category") %>% # 转为长格式
  count(column, category) %>% # 按列和类别统计计数
  pivot_wider(names_from = "column", values_from = "n", values_fill = 0) # 转回宽格式，缺失值补0

最终得到的result是整齐的data.frame：行是所有可能的类别，列是原数据的列名，单元格对应该列中对应类别的计数，没有出现的类别自动填0。

方法2：用purrr统一因子水平，简洁高效 #

如果你习惯用purrr的函数式编程风格，可以先统一所有列的因子水平，确保每个table都包含全部类别：

library(purrr)

# 先提取所有列中出现的所有独特类别
all_categories <- unique(unlist(df[c("Col1", "Col2", "Col3")]))

# 对每一列强制转换为包含所有类别的因子，再统计，最后合并为data.frame
result <- map_df(df[c("Col1", "Col2", "Col3")], ~{
  table(factor(.x, levels = all_categories))
})

这里factor(.x, levels = all_categories)会强制每一列都包含所有可能的类别，哪怕某列没有该类别，table也会统计为0，map_df直接把所有结果合并成标准的data.frame，非常省心。

方法3：基础R原生方案，无需额外包 #

如果不想加载任何第三方包，用基础R的循环也能解决：

target_cols <- c("Col1", "Col2", "Col3")
# 获取所有出现过的类别
all_categories <- unique(unlist(df[target_cols]))

# 创建空的结果数据框，先填入所有类别
result <- data.frame(category = all_categories, stringsAsFactors = FALSE)

# 循环处理每一列，填充计数
for(col in target_cols){
  col_table <- table(df[[col]])
  # 匹配类别，存在的取计数，不存在的填0
  result[[col]] <- ifelse(all_categories %in% names(col_table), 
                          col_table[all_categories], 
                          0)
}

这个方案完全依赖基础R函数，适合不能安装额外包的场景，核心是先锁定所有类别，再逐个列匹配填充，保证每列的长度一致。

内容的提问来源于stack exchange，提问作者user14793087