R语言批量处理多季度RDs调查数据 调用svymean计算均值并汇总

前置依赖 #

需要提前安装加载两个工具包：

• survey：用于调查设计数据的统计计算
• dplyr：用于结果的合并整理
  安装加载代码：

install.packages(c("survey", "dplyr"))
library(survey)
library(dplyr)

步骤1：批量匹配所有RDs格式的调查数据文件 #

调用list.files遍历你存储数据的目录，匹配所有后缀为Rds的文件，如果数据存在多层子文件夹中，开启recursive = TRUE参数即可递归读取：

# 替换括号内的路径为你存储RDs数据的根目录路径
data_dir <- "C:/你的数据存储目录路径"
file_paths <- list.files(data_dir, pattern = ".*\\.Rds$", full.names = TRUE, recursive = TRUE)

步骤2：封装单文件的均值计算逻辑 #

自定义函数实现读取单个RDs文件、计算Age均值、提取年季度信息并输出结构化结果的全流程：

calc_quarter_age_mean <- function(file_path) {
  # 1. 读取RDs格式的调查设计对象
  des_data <- readRDS(file_path)
  # 2. 计算Age变量的均值
  age_mean <- svymean(formula = ~Age, na.rm = TRUE, design = des_data)
  # 3. 提取年季度信息，两种方式二选一即可：
  # 方式A：从数据本身的字段提取（更稳妥，不会受文件名规则影响）
  year <- unique(des_data$variables$Year)[1]
  quarter <- unique(des_data$variables$Quarter)[1]
  # 方式B：从原有文件名规则提取（比如data20101.Rds对应2010年1季度，读取效率更高）
  # file_name <- basename(file_path)
  # year <- as.numeric(substr(gsub("[^0-9]", "", file_name), 1, 4))
  # quarter <- as.numeric(substr(gsub("[^0-9]", "", file_name), 5, 5))
  # 4. 构造输出行
  return(data.frame(
    Year = year,
    Quarter = quarter,
    Mean_Age = as.numeric(age_mean)
  ))
}

如果你需要的是同季度内更细粒度的分组均值（匹配你示例中同个季度有多条均值结果的场景），可以把svymean替换为svyby指定分组字段即可，比如按Group字段分组计算的代码为：

age_mean_df <- svyby(~Age, ~Group, design = des_data, FUN = svymean, na.rm = TRUE)

再把分组字段也加入输出的data.frame中即可。

步骤3：批量执行并合并所有结果 #

调用lapply遍历所有文件执行计算，再用bind_rows合并为单个数据框：

# 批量计算所有季度的均值
all_result_list <- lapply(file_paths, calc_quarter_age_mean)
# 合并为最终的单个数据框
final_result_df <- bind_rows(all_result_list)

内容的提问来源于stack exchange，提问作者ph_9933