如何在R中批量生成多列列联表？求替代手动合并的优化方案

首先还原你的数据和需求：

原始数据 #

df <- data.frame(
  Class = c("Lower", "Upper", "Upper", "Upper", "Upper", "Lower", "Lower", "Lower"),
  Occupation = c("Agriculture", "Agriculture", "Agriculture", "Agriculture", "Business", "Business", "Business", "Business"),
  X = c(1, 0, 1, 0, 1, 1, 0, 1),
  Y = c(0, 1, 1, 0, 0, 1, 0, 0)
)

需求目标 #

需要分别按Occupation和Class分组，对X、Y（以及未来可能的更多同类列）求和，得到如下汇总结果：

• 按Occupation汇总：

  Occupation X Y
  Agriculture 2 2
  Business    3 1
  

• 按Class汇总：

  Class X Y
  Lower 3 1
  Upper 2 2
  

手动方法的痛点 #

你现在用多次table()再合并的方式，在列少的时候还能应付，但如果有几十上百个类似X、Y的数值列，重复操作不仅耗时还容易出错，完全没必要。

更优方案：批量处理，一劳永逸 #

下面分享两个R语言中常用的高效批量处理方法，不管你有多少数值列，只需要简单配置就能完成所有汇总：

方法1：dplyr + tidyr （语法直观，适合大多数场景）

如果你熟悉tidyverse生态，这个组合用起来非常顺手：

library(dplyr)
library(tidyr)

# 先定义好分组列和需要求和的数值列
group_cols <- c("Class", "Occupation")  # 所有需要分组的列
value_cols <- c("X", "Y")              # 所有需要求和的数值列，新增列直接加在这里就行

# 批量生成每个分组列的汇总表
summary_results <- lapply(group_cols, function(current_group) {
  df %>%
    group_by(!!sym(current_group)) %>%  # 动态指定分组列
    summarise(across(all_of(value_cols), sum), .groups = "drop")  # 批量对数值列求和
})

# 给结果列表命名，方便查看
names(summary_results) <- group_cols

# 查看按Class的汇总结果
summary_results$Class
# 查看按Occupation的汇总结果
summary_results$Occupation

核心亮点：across(all_of(value_cols), sum)可以一次性对所有指定的数值列求和，后续新增数值列只需要修改value_cols，完全不用改代码逻辑。

方法2：data.table （超高效，适合大数据量）

如果你的数据量很大（比如几十万上百万行），data.table的处理速度会比dplyr快很多，代码也相当简洁：

library(data.table)
setDT(df)  # 把普通data.frame转换成data.table

group_cols <- c("Class", "Occupation")
value_cols <- c("X", "Y")

# 批量生成汇总结果
summary_results <- lapply(group_cols, function(current_group) {
  df[, lapply(.SD, sum), by = current_group, .SDcols = value_cols]
})

names(summary_results) <- group_cols

# 查看结果
summary_results$Class
summary_results$Occupation

核心亮点：.SD代表当前分组下的子数据集，.SDcols指定要处理的列，一行代码就完成分组+批量求和，性能拉满。

额外福利：合并所有汇总结果 #

如果需要把所有分组的汇总结果合并成一个表格，方便查看或导出，可以用这行代码：

combined_summary <- bind_rows(summary_results, .id = "分组类型")
print(combined_summary)

输出会是这样：

分组类型    Class Occupation X Y
1    Class    Lower       <NA> 3 1
2    Class    Upper       <NA> 2 2
3 Occupation    <NA> Agriculture 2 2
4 Occupation    <NA>    Business 3 1

内容的提问来源于stack exchange，提问作者Nitin