嵌套DataFrame函数式向量运算：按year_month求月度金额总和

看起来你已经用tidyr把数据整理成了嵌套结构，这一步做得很对！针对你的需求，我们可以用tidyverse生态里的dplyr和purrr工具来优雅地完成，完全不需要写繁琐的for循环。

核心实现代码 #

首先确保你加载了必要的包：

library(tidyverse)

然后直接对主DataFrame做处理：

# 处理所有嵌套的子DataFrame，添加分组求和列
df_processed <- df %>%
  mutate(
    data = map(data, ~ .x %>%
                 # 按year_month分组计算总和
                 group_by(year_month) %>%
                 mutate(desired_outcome = sum(monthly_amount, na.rm = TRUE)) %>%
                 # 取消分组，避免后续操作受分组影响
                 ungroup())
  )

代码解释 #

• map(data, ~ ...)：这是purrr里的映射函数，会遍历主df中data列的每一个子DataFrame，对每个子df执行后面的操作
• group_by(year_month) %>% mutate(desired_outcome = sum(monthly_amount, na.rm = TRUE))：在每个子df里，按year_month分组，然后给每一行添加desired_outcome列，值为当前分组下monthly_amount的总和。加上na.rm = TRUE是为了处理可能存在的缺失值，让代码更鲁棒
• ungroup()：分组操作后取消分组是个好习惯，避免后续对这个子df做其他操作时意外继承分组状态

验证与优化 #

• 你可以取出任意一个子df来验证结果是否正确，比如：

# 查看第一个子DataFrame的处理结果
df_processed$data[[1]]

• 如果你的子DataFrame数据量特别大，想要更快的处理速度，可以考虑用data.table的方式来改写内部的分组逻辑，但对于大多数场景，上面的tidyverse代码已经足够高效且易读
• 如果之后需要把嵌套的数据展开，可以用unnest(data)来得到扁平化的结果

内容的提问来源于stack exchange，提问作者Davide Lorino