按行组合全局环境中的多个数据帧（rbind）

我正在从事一个项目，该项目将从给定文件夹导入所有csv文件，并将它们合并到一个文件中。我能够从文件夹中的每个文件中导入我想要的行和列，但现在需要帮助将它们合并到一个文件中。我不知道最终会有多少个文件（大概120个左右），所以我不想一个接一个地合并它们

以下是我到目前为止的情况：

 # Import All files
 rowsToUse <- c(9:104,657:752)
 colsToUse <- c(15,27,28,29,30,33,35)
 filenames <- list.files("save", pattern="*.csv", full.names=TRUE)
 for (i in seq_along(filenames)) {
   assign(paste("df", i, sep = "."), read.csv(filenames[i])[!is.na(30),][rowsToUse,colsToUse])
 }

 # Merge into one file
 for (i in seq_along(filenames)) {
   df<-rbind(df.[i])
 }

#导入所有文件
rowsToUse由于您已在中读取文件，因此可以尝试以下操作：

do.call(rbind, mget(ls(pattern = "df")))

ls（pattern=df）

应该捕获所有的“df.1”、“df.2”等等。希望您没有使用相同的模式命名其他东西，但是如果使用了，请尝试使用更严格的模式，直到命令仅列出您的

data.frame

s

---

mget（）

会将所有这些文件放入一个

列表中，您可以在该列表中使用
do.call（rbind，…）
既然您已经在中读取了文件，您可以尝试以下操作：

do.call(rbind, mget(ls(pattern = "df")))

ls（pattern=df）

应该捕获所有的“df.1”、“df.2”等等。希望您没有使用相同的模式命名其他东西，但是如果使用了，请尝试使用更严格的模式，直到命令仅列出您的

data.frame

s

---

mget（）。上面的答案似乎是“我们有一个名称非常相似的对象列表，我们如何处理它”。回答：他们不需要有非常相似的名字。它们甚至不必是不同的对象

如果不是通过for循环而是通过lappy（）读取文件，则会得到一个包含所有数据帧的单个对象，每个对象都作为一个元素。然后就可以轻松地提取这些数据。所以你会有一些看起来像

#Grab a list of filenames
filenames <- list.files("save", pattern="*.csv", full.names=TRUE)

#Iterate through that list of names, using lapply(), reading the data in.
list_of_data_frames <- lapply(filenames, function(x){

    #Read the data in
    to_return <- read.csv(x)[!is.na(30),][c(9:104,657:752),c(15,27,28,29,30,33,35)])

    #Return it. You could save lines of code (and processor time!) by just reading
    #straight into return(), but it would be a lot less clear.
    return(to_return)
})

#Now use do.call to turn it into a single data frame.
data.df <- do.call("rbind", list_of_data_frames)

#获取文件名列表
文件名这些看起来都很复杂；）。上面的答案似乎是“我们有一个名称非常相似的对象列表，我们如何处理它”。回答：他们不需要有非常相似的名字。它们甚至不必是不同的对象

如果不是通过for循环而是通过lappy（）读取文件，则会得到一个包含所有数据帧的单个对象，每个对象都作为一个元素。然后就可以轻松地提取这些数据。所以你会有一些看起来像

#Grab a list of filenames
filenames <- list.files("save", pattern="*.csv", full.names=TRUE)

#Iterate through that list of names, using lapply(), reading the data in.
list_of_data_frames <- lapply(filenames, function(x){

    #Read the data in
    to_return <- read.csv(x)[!is.na(30),][c(9:104,657:752),c(15,27,28,29,30,33,35)])

    #Return it. You could save lines of code (and processor time!) by just reading
    #straight into return(), but it would be a lot less clear.
    return(to_return)
})

#Now use do.call to turn it into a single data frame.
data.df <- do.call("rbind", list_of_data_frames)

#获取文件名列表
文件名先将它们作为列表读入，然后使用
do.call（rbind，your_list）
。先将它们作为列表读入，然后使用
do.call（rbind，your_list）
“上面的答案似乎是关于“我们有一个名称非常相似的对象列表，我们如何处理它”———这就是我们所拥有的：——），你可以去掉
return（to_return）
，首先不要将
read.csv
的输出分配给任何东西，而是+1，以获得一个详细阐述我上述评论的答案……很好的建议！我的一个朋友多年来一直在写R，3个月前才发现有一个显式的return（）调用。是的，这就是我们所拥有的，但我们不需要。这是一个不需要存在的问题，为什么让它存在呢？；）。感谢你们提供答案并继续讨论。lappy的建议是一个好主意，当然也清理了代码。”上面的答案似乎是关于“我们有一个名称非常相似的对象列表，我们如何处理它”——好吧，这就是我们所拥有的：-）另外，你可以删掉
return（to_return）
首先不要将
read.csv
的输出分配给任何东西，而是+1，以获得详细阐述我上述评论的答案……很好的建议！我的一个朋友多年来一直在写R，3个月前才发现有一个显式的return（）调用。是的，这就是我们所拥有的，但我们不需要。这是一个不需要存在的问题，为什么让它存在呢？；）。感谢你们提供答案并继续讨论。lappy的建议是一个好主意，当然可以清理代码。这是一个快速简单的解决方案，并对其工作原理进行了很好的解释。作为一个相对较新的R用户，我没有听说过ls（）或mget（）命令，我很欣赏这一解释。这是一个快速简单的解决方案，并对其工作原理进行了很好的解释。作为一个相对较新的R用户，我没有听说过ls（）或mget（）命令，我很欣赏这些解释。