如何基于列名向量通用提取DataFrame对应列元素？

这个场景我之前处理过，循环或者嵌套ifelse不仅代码繁琐，数据量大的时候效率也很低。这里有几个通用的优化方案，尤其是base R的矩阵索引方法，堪称最优解：

方法一：矩阵索引（最推荐，高效简洁） #

DataFrame本质上可以看作带列名的矩阵，我们可以利用二维索引矩阵直接定位到每个需要提取的元素，全程是向量化操作，没有循环，效率拉满。

示例代码： #

# 先构造你的示例数据
df <- data.frame(
  a = c(1, 3, 4, 3),
  b = c(1, 4, 5, 5),
  c = c(2, 5, 2, 6)
)
# 目标列名向量
col_vec <- c("a", "b", "c", "b")

# 核心操作
row_indices <- seq_len(nrow(df))  # 生成行索引：1,2,3,4
col_indices <- match(col_vec, names(df))  # 把列名转换成对应的列位置：1,2,3,2
result <- df[cbind(row_indices, col_indices)]  # 用二维索引矩阵提取元素

运行后result就是你要的c(1, 4, 2, 5)，完美匹配预期。这个方法不管列数多少、数据量多大都能轻松应对，而且是base R原生方法，不需要额外安装包。

方法二：tidyverse风格实现（适合已使用tidyverse的场景） #

如果你平时习惯用dplyr和purrr，也可以用逐行映射的方式实现，代码可读性不错，但效率略低于矩阵索引：

library(dplyr)
library(purrr)

result <- df %>%
  mutate(row_num = row_number()) %>%  # 添加行号列
  pmap_dbl(function(row_num, ...) {
    current_row <- list(...)
    current_row[[col_vec[row_num]]]
  })

方法三：apply逐行处理（不推荐，仅作参考） #

虽然apply是R里的“伪循环”，比手动写for循环快一点，但本质还是逐行遍历，大数据量下效率不如矩阵索引，仅作思路参考：

result <- apply(df, 1, function(row, target_cols) {
  row[target_cols[which(rownames(row) == names(df))]]
}, target_cols = col_vec)

总结 #

优先选择矩阵索引方法，它是最通用、最高效的解决方案，完全规避了循环和嵌套条件判断的弊端，代码也最简洁。

内容的提问来源于stack exchange，提问作者ebocko