如何使用R的dplyr包计算两个数据框匹配列的相关系数

示例数据构造 #

先复现问题中的测试数据：

library(tidyverse)

# 构造data1
a = c(1,2,NA,4,5)
b = c(3,4,5,6,7)
data1 = tibble(a,b)

# 构造data2
a = c(4,2,4,4,9)
b = c(3,4,4,6,7)
d = c(5,9,3,4,2)
data2 = tibble(a,b,d)

需求边界 #

• 仅对两个数据框的同名列计算皮尔逊相关系数
• 列中存在NA值时自动适配，不因为缺失值中断计算
• data2中存在但data1中不存在的列，对应结果返回NA
• 基于dplyr管道语法实现

实现代码 #

cor_res <- tibble(
  # 以data2的列名为遍历基准，保证独有列不遗漏
  column = names(data2)
) %>%
  mutate(
    corr = map_dbl(column, ~{
      # 列不存在于data1直接返回NA
      if (!.x %in% colnames(data1)) return(NA_real_)
      # 存在则计算相关，自动成对剔除缺失值
      cor(data1[[.x]], data2[[.x]], use = "pairwise.complete.obs")
    })
  )

逻辑说明 #

运行代码后返回的cor_res是规整的tibble结构，第一列为列名，第二列为对应相关系数：

• 列a：自动剔除第三行NA值后，基于剩余4组观测计算相关系数
• 列b：两列无缺失值，直接基于全部观测计算相关
• 列d：data1中无对应列，直接返回NA

缺失值处理参数调整 #

cor()函数中use参数可按需调整缺失值处理逻辑：

• use = "pairwise.complete.obs"：默认使用的成对删除法，仅剔除当前计算的两列对应位置存在NA的观测，数据利用率最高
• use = "everything"：列中存在任意NA时直接返回NA
• use = "complete.obs"：行删除法，只要任意一列存在NA就剔除整行观测

内容的提问来源于stack exchange，提问作者Homer Jay Simpson