如何用dplyr替代循环，基于指定列号筛选符合条件的数据？

我明白你想摆脱逐行循环的低效写法，用更符合tidyverse风格的方式实现这个需求——生成所有长度为n的0/1序列，再筛选出target列指向的位置值为0的行。这里有几种更优的实现方式，从直观易读到高效性能都覆盖了：

方法1：用dplyr的rowwise + cur_data()（直观易读） #

如果n是固定值（比如你例子里的3），这种写法最容易理解，完全贴合tidyverse的语法：

library(tidyverse)

n <- 3

# 用crossing替代expand.grid，生成整洁的全组合数据框
df <- crossing(
  x = 0:1, y = 0:1, z = 0:1,
  target = 1:n
) %>%
  rowwise() %>%
  # 用cur_data()获取当前行数据，通过target值定位对应列
  mutate(keep = cur_data()[[target]] == 0) %>%
  ungroup() %>%
  filter(keep) %>%
  select(-keep)

head(df)

动态适配任意n的版本 #

如果n是变量，不想手动写列名（比如x/y/z），可以动态生成列：

n <- 3
# 生成动态列名，比如col1、col2、col3
col_names <- paste0("col", 1:n)

df <- crossing(
  # 动态创建每个列的0/1序列，传入crossing
  !!!set_names(map(col_names, ~0:1), col_names),
  target = 1:n
) %>%
  rowwise() %>%
  mutate(keep = cur_data()[[paste0("col", target)]] == 0) %>%
  ungroup() %>%
  filter(keep) %>%
  select(-keep)

方法2：用purrr的pmap（高效的逐行处理） #

rowwise虽然直观，但数据量大时性能一般。用pmap_lgl可以实现向量化的逐行判断，比循环快很多：

df <- crossing(
  !!!set_names(map(col_names, ~0:1), col_names),
  target = 1:n
) %>%
  mutate(keep = pmap_lgl(., function(..., target) {
    # 把当前行的所有列转成列表，取出target指定的位置
    row_vals <- list(...)
    row_vals[[target]] == 0
  })) %>%
  filter(keep) %>%
  select(-keep)

方法3：矩阵索引（性能最优） #

如果追求极致性能，直接用矩阵索引的方式，完全避免逐行处理的开销，这是R中最高效的向量化操作之一：

df <- crossing(
  !!!set_names(map(col_names, ~0:1), col_names),
  target = 1:n
)

# 把前n列转成矩阵，用cbind生成行+列的索引对，直接取值判断
df$keep <- as.matrix(df[, col_names])[cbind(1:nrow(df), df$target)] == 0

df <- df %>% filter(keep) %>% select(-keep)

为什么这些方法比原循环好？ #

原代码的for循环逐行赋值在R中是典型的低效写法——R对循环的优化很差，尤其是数据量较大时，向量化操作或者tidyverse的函数能把性能提升几个数量级。上面的方法要么利用tidyverse的语法简化逻辑，要么用向量化操作彻底摆脱循环。

内容的提问来源于stack exchange，提问作者Jonathan