如何使用循环批量对数据集变量做标准化并保留原有变量名

你可以根据你使用的分析工具选择对应实现逻辑，以下给出R和Python两个主流工具的实现代码：

R 语言实现 #

基础循环版本 #

# 假设你的数据集存储为数据框df
# 提取所有符合SCORE.数字命名规则的变量名
score_vars <- grep("^SCORE\\.\\d+$", names(df), value = TRUE)

# 循环执行z-score标准化，直接覆盖原变量
for (var_name in score_vars) {
  df[[var_name]] <- as.numeric(scale(df[[var_name]]))
}

tidyverse 简洁版本 #

library(dplyr)

df <- df %>%
  # 对所有SCORE.开头的变量执行标准化
  mutate(across(starts_with("SCORE."), ~ as.numeric(scale(.x))))

Python 实现（基于Pandas） #

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 假设你的数据集存储为DataFrame df
# 提取所有符合命名规则的变量列名
score_cols = [col for col in df.columns if col.startswith("SCORE.")]

# 初始化标准化工具，批量处理后直接覆盖原列
scaler = StandardScaler()
df[score_cols] = scaler.fit_transform(df[score_cols])

注：上述代码默认使用z-score标准化逻辑，处理后每个变量的均值为0、标准差为1。如果需要使用其他标准化规则，替换对应转换逻辑即可。

内容的提问来源于stack exchange，提问作者zjppdozen