R语言：按6列分组并计算列子集比值的高效实现方法

当然有高效的实现方式！针对你把每6列分为一组、每组前3列除以后3列的需求，这里有两种简洁且高效的方法：

方法一：基础R向量化操作（推荐，速度最快） #

因为你的df是矩阵类型（cbind生成的默认是矩阵），我们可以直接利用索引分组进行向量化运算，避免逐元素循环，效率很高：

# 先重现你的数据
A1 <- c(1, 2, 3) 
A2 <- c(2, 3, 4) 
A3 <- c(3, 3, 2) 
A4 <- c(2, 2, 3) 
A5 <- c(4, 3, 5) 
A6 <- c(6, 7, 2) 
A7 <- c(1, 2, 5) 
A8 <- c(2, 5, 5) 
A9 <- c(2, 3, 5) 
A10 <- c(7, 4, 2) 
A11 <- c(7, 3, 2) 
A12 <- c(9, 2, 1) 
A13 <- c(1, 2, 5) 
A14 <- c(2, 5, 5) 
A15 <- c(2, 3, 5) 
A16 <- c(7, 4, 2) 
A17 <- c(7, 3, 2) 
A18 <- c(9, 2, 1) 

df <- cbind(A1, A2, A3, A4, A5, A6, A7, A8, A9, A10, A11, A12, A13, A14, A15, A16, A17, A18)

# 定义每组的起始索引：每6列一组
group_starts <- seq(1, ncol(df), by = 6)

# 批量处理每个分组
result_parts <- lapply(group_starts, function(start) {
  # 取当前组的前3列和后3列，对应相除
  df[, start:(start+2)] / df[, (start+3):(start+5)]
})

# 合并所有分组结果，设置列名
df_new <- do.call(cbind, result_parts)
colnames(df_new) <- paste0("B", 1:ncol(df_new))

# 查看最终结果
df_new

这个方法的核心是向量化运算，矩阵的列-wise除法在R中是原生优化的，处理大数据时速度优势明显。

方法二：Tidyverse风格（可读性更强） #

如果你习惯使用dplyr和tidyr的管道语法，可以用这种更直观的方式处理：

library(dplyr)
library(tidyr)

# 将矩阵转为数据框并整理成长格式
df_long <- as.data.frame(df) %>%
  mutate(row_id = row_number()) %>%
  pivot_longer(-row_id, names_to = "col_name", values_to = "value") %>%
  # 提取列的序号，计算分组和组内位置
  mutate(col_num = as.integer(sub("A", "", col_name)),
         group_id = (col_num - 1) %/% 6 + 1,
         pos_in_group = (col_num - 1) %% 6 + 1)

# 拆分每组的前后部分，计算比值后重新整理为宽格式
df_new_tidy <- df_long %>%
  pivot_wider(names_from = pos_in_group, values_from = value) %>%
  # 每组前3列除以后3列
  mutate(across(1:3, ~ . / across(4:6))) %>%
  select(row_id, 1:3) %>%
  pivot_longer(-row_id, names_to = "temp", values_to = "ratio") %>%
  arrange(row_id, temp) %>%
  pivot_wider(names_from = paste0("B", row_number()), values_from = ratio) %>%
  select(-row_id)

# 设置列名
colnames(df_new_tidy) <- paste0("B", 1:ncol(df_new_tidy))
df_new_tidy

这种方法通过"长格式-处理-宽格式"的流程，逻辑更清晰，适合需要后续进行更多数据清洗或分析的场景。

两种方法都能得到你需要的df_new结果，你可以根据自己的使用习惯选择。

内容的提问来源于stack exchange，提问作者David Moore