R语言for循环批量赋值数据框列值运行过慢如何优化

原代码性能问题根源 #

你写的双层循环效率极低的核心原因有两个：

• 时间复杂度太高：假设数据集有n行、k个国家列，双层循环总共要执行nk次迭代，每次迭代里的df$id == j和df$country == c判断都会全表扫描所有行，总计算量达到O(kn²)级别。10万行数据下n²是100亿次运算量级，自然跑几十分钟都完不成。
• 内存开销极大：基础R的data.frame默认是写时拷贝机制，循环里每次修改列值都会触发整个数据集的内存复制，10万行规模下反复拷贝的额外开销会进一步拖慢速度。

本质上你的业务逻辑根本不需要双层循环：逐行把当前行country字段取值对应的同名国家列设为1即可，用向量化操作可以把时间复杂度降到O(n)，10万行数据毫秒级就能跑完。

具体提速实现 #

1. 无依赖基础R实现（推荐，速度最快） #

用R原生支持的矩阵坐标索引一次性完成所有赋值，底层是C实现的向量化操作，没有R层面的循环开销：

# 先确认国家列初始值为0
cols <- c("USA", "Japan", "Germany")
df[cols] <- 0

# 构造[行号, 列号]的坐标矩阵，一次性给所有目标单元格赋值为1
row_index <- 1:nrow(df)
col_index <- match(df$country, names(df))
df[cbind(row_index, col_index)] <- 1

运行完的效果和你原来双层循环的结果完全一致，10万行数据运行时间通常在10毫秒以内。

2. data.table 实现（适合百万行以上超大数据） #

如果你的数据量更大，可以用data.table的原地修改特性，完全避免数据拷贝的开销：

library(data.table)
setDT(df) # 把数据框转成data.table格式，不做内存拷贝
cols <- c("USA", "Japan", "Germany")

# 初始化国家列为0
set(df, j = cols, value = 0)
# 遍历每个国家列，只定位符合条件的行原地赋值为1
for (c in cols) {
  set(df, i = which(df$country == c), j = c, value = 1)
}

这里的循环只遍历国家列（通常也就几十个最多上百个），不遍历行，而且set函数是按引用修改，没有拷贝开销，百万行数据也能秒出结果。

避坑提示 #

写R代码时尽量避免写逐行扫描的R层面循环做数据修改，优先用向量化函数、原生索引操作，这类操作都是底层C/C++优化过的，比手写R循环快几百到几千倍。

内容的提问来源于stack exchange，提问作者ZZ Top