我假设你想计算行的平均值。

1.base R中有一个函数，速度很快：rowMeans()，详见help(rowMeans)。
**2.**For-loops并不是一种非常像R的方式。对你的循环做一些修改：

# do not grow objects inside loops! 
res <- vector("list", nrow(data))
# I prefer seq(nrow(data) over 1:nrow(data)
for(i in seq(nrow(data))) {
  res[[i]] <- mean(unlist(data[i, ]))
}

字符串
封装成一个自编写的函数：

rowMeans2 <- \(df, ...) {
  res <- vector("list", nrow(df))
  for(i in seq(nrow(df))) {
    res[[i]] <- mean(unlist(df[i, ]), ...)
  }
  res
}

“...-parameter/argument”允许您在mean()中指定参数，例如na.rm = TRUE。

**3.**在R中，我们经常使用*apply()-函数（循环的 Package 器）而不是自写循环。这里我使用lapply()，因为你似乎希望你的结果以列表格式存储。

rowMeans3 <- \(df, ...) {
  lapply(X = seq(nrow(df)), FUN = \(i) mean(unlist(df[i, ]), ...))
}

4.@Jilber Urbina在下面的评论中建议避免unlist()的替代方案：

rowMeans4 <- \(df, ...) {
  sapply(X = seq(nrow(df)), FUN = \(i) mean(as.numeric(df[i, ]), ...))
}

在一个名为“iris”的内置数据集上进行测试。我删除了非数字列。数据：

data <- iris[, sapply(iris, is.numeric)]

我相信这对我来说是可行的，只有很少的变化，如下所示

res <- list()
col.mean <- function(x){
for(i in 1:nrow(x)){
  z <- x[i,]
z <- unlist(z) 
z <- mean(z)
res[[i]] <- z
return(res)
}
}
col.mean(iris)
print(res)

字符串