R语言如何批量读取多路径CSV并按对应路径分别合并

针对当前目录结构（每个受试者ID对应独立文件夹，文件夹内存放需合并的同结构CSV），无需逐人手动调用rbind，直接通过循环逻辑批量处理即可，230个受试者的全量数据数秒即可跑完，以下是两种可直接复用的实现：

基础R实现（无需安装额外包） #

核心逻辑是遍历所有受试者文件夹，批量读取文件夹内CSV后一次性按行合并，自动绑定受试者ID避免数据混淆。

• 首先将R工作路径设置为所有受试者文件夹的上级根目录（即存放subject1、subject2……文件夹的顶层目录）：

  # 替换为个人根目录实际路径，Windows系统注意把路径里的反斜杠改成正斜杠
  setwd("C:/your_project/raw_data")
  

• 获取所有有效受试者文件夹路径，自动过滤非目录文件、系统隐藏文件：

  # 提取第一层所有子文件夹路径
  subj_folders <- list.dirs(full.names = TRUE, recursive = FALSE)
  # 匹配命名规则，只保留受试者文件夹（如果文件夹前缀不是subject可自行修改匹配规则）
  subj_folders <- subj_folders[grepl("^subject", basename(subj_folders))]
  

• 执行循环批量合并：

  # 初始化空列表存储所有受试者的合并结果，列表名直接对应受试者ID
  merged_result <- list()
  
  for (folder in subj_folders) {
    # 从文件夹路径提取当前受试者ID
    current_id <- basename(folder)
    # 获取当前文件夹下所有CSV文件的完整路径
    current_csvs <- list.files(folder, pattern = "\\.csv$", full.names = TRUE)
    
    # 批量读取当前受试者的所有CSV文件
    df_list <- lapply(current_csvs, function(csv_path) {
      # 可根据文件实际格式调整参数：比如加fileEncoding="GBK"适配中文编码，sep=";"适配分号分隔的文件
      read.csv(csv_path, stringsAsFactors = FALSE)
    })
    
    # 一次性合并当前受试者的所有数据，效率远高于逐次调用rbind
    current_merged <- do.call(rbind, df_list)
    # 新增subjectID列，标记数据归属
    current_merged$subjectID <- current_id
    
    # 存入结果列表
    merged_result[[current_id]] <- current_merged
    
    # 可选：直接将单个受试者的合并结果存为独立CSV到根目录，减少内存占用
    write.csv(current_merged, paste0(current_id, "_merged.csv"), row.names = FALSE)
  }
  

如果后续需要把所有受试者的数据拼成一张总表，直接运行all_subjects_df <- do.call(rbind, merged_result)即可。

tidyverse实现（代码更简洁，适配大文件） #

如果日常用tidyverse生态做数据处理，可以用更简洁的写法，大文件读取和合并速度更快：

# 首次使用先运行安装：install.packages("tidyverse")
library(tidyverse)

# 设置根目录
setwd("C:/your_project/raw_data")

# 递归查找所有层级下的CSV文件，自动关联路径信息
all_csv_paths <- list.files(pattern = "\\.csv$", recursive = TRUE, full.names = TRUE)

# 批量读取、打标、按受试者分组合并
merged_result <- map_df(all_csv_paths, function(path) {
  # 从文件路径拆分出所属受试者ID
  subj_id <- str_split(path, "/", simplify = TRUE)[1,1]
  # 读取CSV并新增ID列
  read_csv(path, show_col_types = FALSE) %>% 
    mutate(subjectID = subj_id)
}) %>% 
  # 按subjectID拆分，得到和基础方案一致的按人存储的列表
  group_split(subjectID, .keep = TRUE)

注意事项 #

• 运行前请确认所有CSV的列名、列数据结构一致，否则合并会报错；如果存在少量列不匹配的情况，可以把基础方案里的rbind替换成dplyr::bind_rows()，缺失列会自动填充为NA
• 如果文件总量较大担心内存不足，建议用基础方案里的逐人写入磁盘的方式，不要把所有数据都存在内存列表里
• 如果读取CSV出现乱码、列错位问题，优先调整read.csv/read_csv的编码、分隔符参数适配源文件格式

内容的提问来源于stack exchange，提问作者BrySeye