使用dplyr将数据框列按基准值缩放为百分比的优化方案

针对你需要将各国数值列以2001年为基准缩放为百分比的需求，我推荐用一行简洁的dplyr管道来实现，完全不需要来回转换长表宽表：

library(dplyr)

normalized_table <- table %>%
  group_by(Country) %>%
  mutate(across(-c(Year, Country), ~ 100 * .x / .x[Year == 2001])) %>%
  ungroup() %>%
  arrange(Country, Year)

代码解释： #

• group_by(Country)：按国家分组，保证每个国家的基准值独立计算，不会和其他国家混淆
• across(-c(Year, Country), ...)：自动对除Year、Country外的所有列应用缩放逻辑——不管你有多少个数值列（比如A、B、C...），都不需要手动逐个指定，完美适配你的实际数据集
• ~ 100 * .x / .x[Year == 2001]：核心缩放公式：.x代表当前处理的列，.x[Year == 2001]会精准提取当前国家该列2001年的数值作为基准，计算后转成百分比
• ungroup()：取消分组（可选，但推荐保持数据结构整洁）
• arrange(Country, Year)：按国家和年份排序，和你原来的输出格式完全一致

运行后得到的结果和你原来的normalized_table完全相同，比如Mexico 2001年的A、B值都是100，其他年份按比例计算。

为什么比你原来的方法更好？ #

你原来的方法需要先转长表、提取基准表、合并计算再转回宽表，步骤繁琐且代码冗长。这个管道直接在原始宽表上操作，逻辑清晰，代码量少，还能自动适配任意数量的数值列，扩展性更强。

关于你尝试的transform问题 #

transform是base R的函数，它不支持dplyr的分组上下文——即便你用了group_by，transform还是会基于整个数据集计算，导致基准值提取错误（比如你看到的USA列norm值明显不对）。而dplyr的mutate是为分组操作设计的，能完美在每个分组内执行计算，这也是为什么它是更合适的选择。

内容的提问来源于stack exchange，提问作者Connor Harris