R语言apply函数中使用ifelse出现异常结果求助

看起来你遇到的问题是用apply结合ifelse时，每个DataFrame返回了两个独立的验证结果，导致输出混乱。我们可以把两个验证逻辑封装到一个自定义函数里，让每个DataFrame返回清晰的结构化结果，这样就能避免结果分散、难以解读的问题了。

步骤1：编写单个DataFrame的验证函数 #

首先，我们写一个专门的函数处理单个DataFrame的两个验证需求。这里要注意：日期列FECHA本身不需要验证正数，所以先排除它，只验证其他数值列；另外我们默认“值的总数等于FECHA列计数”指的是所有数值列的非缺失值总数等于FECHA列行数 × 数值列数量（也就是没有缺失值，每一行的所有数值列都有有效值），如果你的实际需求有差异，可以直接调整逻辑。

validate_df <- function(df) {
  # 先检查FECHA列是否存在
  if (!"FECHA" %in% colnames(df)) {
    return(list(
      has_fecha = FALSE,
      all_positive = FALSE,
      value_count_match = FALSE,
      status = "FECHA列缺失，验证失败"
    ))
  }
  
  # 提取需要验证的数值列（排除FECHA）
  num_cols <- setdiff(colnames(df), "FECHA")
  
  # 验证1：所有数值列的所有值均为正数（NA会被判定为不满足，因为NA不是正数）
  all_positive <- all(df[num_cols] > 0, na.rm = FALSE)
  
  # 验证2：数值列的非缺失值总数等于FECHA行数×数值列数（即无缺失值）
  total_values <- sum(!is.na(df[num_cols]))
  expected_count <- nrow(df) * length(num_cols)
  value_count_match <- total_values == expected_count
  
  # 返回结构化结果，方便查看每个条件的状态
  return(list(
    has_fecha = TRUE,
    all_positive = all_positive,
    value_count_match = value_count_match,
    status = ifelse(all_positive & value_count_match, "验证通过", "验证失败")
  ))
}

步骤2：批量处理DataFrame列表 #

接下来用lapply（或者tidyverse风格的purrr::map）遍历vela列表，每个元素都用上面的函数验证：

# 用lapply处理整个列表，得到每个df的验证结果列表
validation_results <- lapply(vela, validate_df)

# 如果想把结果转成DataFrame更直观（需要dplyr和purrr包）
library(dplyr)
library(purrr)
validation_summary <- map_dfr(validation_results, ~as.data.frame(.x), .id = "df序号")

为什么这样能解决你的问题？ #

之前用apply+ifelse会让每个DataFrame返回零散的布尔值，导致结果混乱。封装函数后，每个DataFrame会返回一个包含所有验证状态的结构化结果，你可以清晰看到每个df是否通过了两个条件，以及失败的具体原因（是有非正数，还是值的数量不匹配，或者缺少日期列）。

调整逻辑的小提示 #

如果“值的总数等于FECHA列计数”的实际意思是所有数值列的非缺失值总数等于FECHA列的非缺失值数（比如每个行只有一个数值），只需把expected_count改成sum(!is.na(df$FECHA))即可。

内容的提问来源于stack exchange，提问作者Sergio Urrea González