如何避免重复代码，对数据框的多个变量执行相同操作？

嘿，这个场景太常见了！手动给每一列写替换NA的代码不仅麻烦，还容易出错，下面给你几个简洁的解决方案，覆盖不同的R工具链，你可以根据自己的习惯选：

用R自带的lapply()函数就能一次性处理多列，不用重复写代码：

# 处理数据框里的所有列
car[] <- lapply(car, function(x) {
  x[is.na(x)] <- 0
  x
})

# 如果你只想处理指定列（比如示例里的a和b）
target_cols <- c("a", "b")
car[target_cols] <- lapply(car[target_cols], function(x) {
  x[is.na(x)] <- 0
  x
})

这里用car[]而不是直接car <-的原因是，能保留原数据框的结构，避免把它转换成列表。

如果你平时用tidyverse生态的工具，推荐用dplyr里的across()+replace_na()组合，写起来更直观：

library(dplyr)

# 处理所有列
car <- car %>%
  mutate(across(everything(), ~replace_na(., 0)))

# 只处理指定的a、b列
car <- car %>%
  mutate(across(c(a, b), ~replace_na(., 0)))

replace_na()是dplyr专门用来替换NA的函数，比手写ifelse更简洁，读代码的时候一眼就能明白要做什么。

如果你的数据量很大，data.table的操作效率会更高，语法也很简洁：

library(data.table)
setDT(car) # 把普通数据框转换成data.table格式

# 处理所有列
car[, lapply(.SD, function(x) replace(x, is.na(x), 0))]

# 处理指定的a、b列
car[, c("a", "b") := lapply(.SD, function(x) replace(x, is.na(x), 0)), .SDcols = c("a", "b")]

选哪种方法全看你的工作流：要是不想装包，Base R的方案最省心；日常用tidyverse的话，replace_na()的写法最舒服；大数据就选data.table准没错。

内容的提问来源于stack exchange，提问作者jeff