自定义因子处理函数中sapply运行过慢，是否为sapply的问题？

嘿，你的猜测完全正确！sapply确实是导致函数运行缓慢的核心原因之一，而且它还悄悄带来了另一个隐患——破坏你的数据类型。咱们来拆解问题，再给出更高效的解决方案：

为什么原函数这么慢？ #

1. sapply的矩阵转换开销
   sapply会先把数据框转换成矩阵来处理，但矩阵要求所有元素类型一致，这意味着如果你的数据框里有数值、因子、字符等混合类型，转换过程会强制把所有列转成字符型，处理完再转回数据框。这个转换过程在大数据框上会消耗大量的内存和时间，是拖慢速度的关键。

2. 不必要的函数嵌套与重复判断
   原函数里嵌套定义了add_na_level，再传给sapply，额外的函数调用会增加开销；而且每处理一列都要重复执行类型判断，逻辑可以更紧凑。

3. 隐藏的类型破坏
   你可能没注意到：原函数返回的结果其实是字符型矩阵转成的数据框，所有列都变成了字符类型，原本的数值列、日期列都会被强制转换，这会给后续分析带来麻烦。

优化后的解决方案 #

方案1：Base R 高效版本（保持原生风格） #

用lapply替代sapply（lapply直接处理数据框的列列表，不会强制转换为矩阵），同时简化逻辑：

optimized_fun <- function(df) {
  # 遍历每一列处理
  processed_cols <- lapply(df, function(x) {
    if (is.factor(x)) {
      # 检查是否已有"-1"水平，无则添加
      if (!"-1" %in% levels(x)) {
        levels(x) <- c(levels(x), "-1")
      }
      # 将NA替换为"-1"
      x[is.na(x)] <- "-1"
    } else {
      # 非因子列的NA替换（和原函数逻辑保持一致，注意数值列会转为字符）
      x[is.na(x)] <- "-1"
    }
    return(x)
  })
  # 转回数据框，保留原列类型（除了被替换NA的非因子列）
  as.data.frame(processed_cols, stringsAsFactors = FALSE)
}

方案2：dplyr + forcats 向量化版本（大数据下更快） #

如果你的数据框规模很大，用dplyr的向量化操作会比循环更高效，forcats包专门优化了因子处理：

library(dplyr)
library(forcats)

optimized_dplyr_fun <- function(df) {
  df %>%
    # 处理所有因子列：添加"-1"水平 + 替换NA
    mutate(across(where(is.factor), ~ {
      if (!"-1" %in% levels(.x)) {
        .x <- fct_expand(.x, "-1")
      }
      fct_recode(.x, "-1" = NA_character_)
    })) %>%
    # 可选：处理非因子列的NA（和原函数逻辑一致）
    mutate(across(!where(is.factor), ~ replace_na(.x, "-1")))
}

优化效果说明 #

• 两种方案都避免了sapply的矩阵转换开销，速度能提升数倍（数据框越大，提升越明显）。
• 保留了原数据的类型结构（除非你主动替换非因子列的NA为字符），不会给后续分析埋坑。
• 逻辑更紧凑，减少了不必要的判断和函数调用。

内容的提问来源于stack exchange，提问作者HeyJane