我同意MrFlick的观点，整理你的数据是更可取的---特别是如果你想做 * 任何事情 * 而不是对这些列求和---但这里有一个选择：

iris %>% mutate(
   Petal = rowSums(select(., starts_with("Petal")))
)

    Sepal.Length Sepal.Width Petal.Length Petal.Width    Species Petal
1            5.1         3.5          1.4         0.2     setosa   1.6
2            4.9         3.0          1.4         0.2     setosa   1.6
3            4.7         3.2          1.3         0.2     setosa   1.5
4            4.6         3.1          1.5         0.2     setosa   1.7
5            5.0         3.6          1.4         0.2     setosa   1.6
...

请参阅?select辅助选项（starts_with()除外）以选择列。

从purrr使用reduce()比rowSums稍微快一点，而且肯定比apply快，因为你避免了迭代所有的行，只利用了向量化操作：

library(purrr)
library(dplyr)
iris %>% mutate(Petal = reduce(select(., starts_with("Petal")), `+`))

请参阅此计时

我给出了类似的答案here和here。如果聚合函数是sum，rowSums是最佳选择：

iris %>% 
  mutate(Petal = rowSums(pick(starts_with("Petal"))))

但是你可以使用c_across和rowwise：

iris %>% 
  rowwise() %>% 
  mutate(Petal = sum(c_across(starts_with("Petal")))) %>% 
  ungroup()

最大的好处是你可以使用sum之外的其他函数。rowSums是一个更好的选择，因为它更快，但如果你想应用sum之外的其他函数，这是一个很好的选择。
您可以使用c_across和pick中的任何tidyselect选项来按列的名称、位置、类、连续列的范围等选择列。

输出

Sepal.Length Sepal.Width Petal.Length Petal.Width Species Petal
          <dbl>       <dbl>        <dbl>       <dbl> <fct>   <dbl>
 1          5.1         3.5          1.4         0.2 setosa    1.6
 2          4.9         3            1.4         0.2 setosa    1.6
 3          4.7         3.2          1.3         0.2 setosa    1.5
 4          4.6         3.1          1.5         0.2 setosa    1.7
 5          5           3.6          1.4         0.2 setosa    1.6
 6          5.4         3.9          1.7         0.4 setosa    2.1
 7          4.6         3.4          1.4         0.3 setosa    1.7
 8          5           3.4          1.5         0.2 setosa    1.7
 9          4.4         2.9          1.4         0.2 setosa    1.6
10          4.9         3.1          1.5         0.1 setosa    1.6
# ... with 140 more rows

iris %>% mutate(Petal = rowSums(.[grep("Petal", names(.))], na.rm = T))

这个应该能用
names(.)从数据框中选择名称，grep搜索这些名称以找到匹配regex（“Petal”）的名称，rowSums添加每个列的值，并将其分配给新变量Petal。“.[]”语法是dplyr传递列名方式的解决方案。

更一般地说，为每个观测创建一个关键点（例如，下面使用mutate的行号），将感兴趣的列移动到两列中，一列保存列名，另一列保存值（使用下面的melt），group_by观察，并做任何你想要的计算。下面，我使用mutate添加一个列，它对所有包含单词'Petal'的列求和，最后删除我不想要的变量（使用select）。

require(dplyr)
require(reshape2)

iris %>%
  mutate(observation = 1:nrow(iris)) %>% 
  melt(
    measure.vars = grep("Petal", colnames(iris)), 
    variable.name = 'variable', 
    value.name = 'value') %>% 
  group_by(observation) %>%
  mutate(Petal = sum(value)) %>% 
  select(-observation, -variable, -value)

虽然上面的内容可以缩短，但我认为这个版本会提供一些指导。