R语言数据框重复列名按行批量求和实现方法

适配场景 #

针对存在大量重复列名的全数值型数据框，实现逐行对同名列数值累加、最终输出仅保留唯一列名且保持原始列出现顺序的合并结果，完全匹配频道观看时长类数据的合并需求。

通用实现方案（基R无第三方依赖） #

该方案走底层矩阵运算逻辑，对大样本数据效率远高于逐列循环，无需安装额外包：

1. 构造原始数据时注意关闭自动重命名，避免重复列名被R自动改写：

   # 构造和需求场景一致的测试数据
   tv_viewing_time <- data.frame(
     channel_1 = c(1, 2, 3),
     channel_2 = c(2, 3, 4),
     channel_1 = c(4, 5, 6),
     channel_2 = c(5, 6, 7),
     check.names = FALSE
   )
   # 校验原始列名，保留重复命名
   colnames(tv_viewing_time)
   # 输出："channel_1" "channel_2" "channel_1" "channel_2"
   

2. 执行同名列逐行累加合并：

   # 提取按首次出现顺序排列的唯一列名
   unique_col_names <- unique(colnames(tv_viewing_time))
   
   # 逐列名匹配同名列，执行行求和
   merged_df <- as.data.frame(
     sapply(unique_col_names, function(target_col) {
       col_subset <- tv_viewing_time[, colnames(tv_viewing_time) == target_col, drop = FALSE]
       rowSums(col_subset)
     })
   )
   

   • 代码中的drop = FALSE为必要参数：当某列不存在重复时，可避免筛选出的单列被自动转为向量，触发求和逻辑报错。
3. 校验合并结果：

   merged_df[1, ]
   # 输出：channel_1  channel_2 
   #         5         7
   

   完全匹配1（首个channel_1列）+4（第三个channel_1列）=5、2（第二个channel_2列）+5（第四个channel_2列）=7的预期结果。

超大规模数据优化实现 #

如果数据集达到百万行以上规模，可使用data.table实现更快的聚合速度：

library(data.table)
setDT(tv_viewing_time)
unique_cols <- unique(names(tv_viewing_time))
merged_dt <- copy(tv_viewing_time[, .SD, .SDcols = unique_cols])

# 对每个存在重复的列做累加
for (col in unique_cols) {
  duplicate_cols <- names(tv_viewing_time)[names(tv_viewing_time) == col]
  if (length(duplicate_cols) > 1) {
    merged_dt[, (col) := Reduce(`+`, .SD), .SDcols = duplicate_cols]
  }
}

常见适配调整 #

• 若列值存在缺失值NA，可将rowSums(col_subset)替换为rowSums(col_subset, na.rm = TRUE)，将Reduce(\+`)`调整为适配缺失值的累加逻辑，实现缺失值按0参与计算的效果
• 不要使用会打乱列顺序的聚合方法（如按列名字母排序的聚合逻辑），避免破坏原始数据中频道的排列规则
• 若数据中混有非数值列（如用户ID、年龄等标识列），可提前将标识列拆分出来，仅对数值型的频道列执行上述合并逻辑，最后再和标识列拼接即可。

内容的提问来源于stack exchange，提问作者Lola1993