我写了一个嵌套的for循环，它可以实现我想要的功能。但是，我在循环内的数据存储还不够。我曾尝试实现不同的温度矢量，但是我知道我只是没有把这件事做好。这些循环将产生96个值...完整的j循环（所有4个迭代）将产生12个值，这些值最终将成为一个矩阵。因此，每次i迭代最终都会创建我需要的八个表之一。也许向量不是最好的（也许我可以得到循环来制作单独的矩阵？-然后放入Kable中）。显然我现在拥有的（用i索引到向量不是解决方案。非常感谢您的帮助！
subgroup_years_aggregated_indicators <- structure(list(Group = c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3,
3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,
3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,
3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,
3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,
3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,
3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,
3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,
3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,
3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,
3, 3, 3, 3, 3, 3, 3, 3, 3), indicator = c("1", "2", "3", "4",
"5", "6", "7", "8", "1", "1", "2", "2", "3", "3", "4", "4", "5",
"5", "6", "6", "7", "7", "8", "8", "1", "1", "2", "2", "3", "3",
"4", "4", "5", "5", "6", "6", "7", "7", "8", "8", "1", "1", "2",
"2", "3", "3", "4", "4", "5", "5", "6", "6", "7", "7", "8", "8",
"1", "1", "2", "2", "3", "3", "4", "4", "5", "5", "6", "6", "7",
"7", "8", "8", "1", "1", "1", "1", "2", "2", "2", "2", "3", "3",
"3", "3", "4", "4", "4", "4", "5", "5", "5", "5", "6", "6", "6",
"6", "7", "7", "7", "7", "8", "8", "8", "8", "1", "1", "1", "2",
"2", "2", "3", "3", "3", "4", "4", "4", "5", "5", "5", "6", "6",
"6", "7", "7", "7", "8", "8", "8", "1", "1", "2", "2", "3", "3",
"4", "4", "5", "5", "6", "6", "7", "7", "8", "8", "1", "2", "3",
"4", "5", "6", "7", "8", "1", "1", "2", "2", "3", "3", "4", "4",
"5", "5", "6", "6", "7", "7", "8", "8", "1", "1", "1", "1", "2",
"2", "2", "2", "3", "3", "3", "3", "4", "4", "4", "4", "5", "5",
"5", "5", "6", "6", "6", "6", "7", "7", "7", "7", "8", "8", "8",
"8", "1", "1", "1", "1", "2", "2", "2", "2", "3", "3", "3", "3",
"4", "4", "4", "4", "5", "5", "5", "5", "6", "6", "6", "6", "7",
"7", "7", "7", "8", "8", "8", "8", "1", "1", "2", "2", "3", "3",
"4", "4", "5", "5", "6", "6", "7", "7", "8", "8", "1", "1", "1",
"1", "2", "2", "2", "2", "3", "3", "3", "3", "4", "4", "4", "4",
"5", "5", "5", "5", "6", "6", "6", "6", "7", "7", "7", "7", "8",
"8", "8", "8", "1", "1", "2", "2", "3", "3", "4", "4", "5", "5",
"6", "6", "7", "7", "8", "8", "1", "1", "2", "2", "3", "3", "4",
"4", "5", "5", "6", "6", "7", "7", "8", "8", "1", "1", "2", "2",
"3", "3", "4", "4", "5", "5", "6", "6", "7", "7", "8", "8", "1",
"1", "1", "1", "2", "2", "2", "2", "3", "3", "3", "3", "4", "4",
"4", "4", "5", "5", "5", "5", "6", "6", "6", "6", "7", "7", "7",
"7", "8", "8", "8", "8", "1", "1", "1", "1", "2", "2", "2", "2",
"3", "3", "3", "3", "4", "4", "4", "4", "5", "5", "5", "5", "6",
"6", "6", "6", "7", "7", "7", "7", "8", "8", "8", "8", "1", "1",
"1", "1", "2", "2", "2", "2", "3", "3", "3", "3", "4", "4", "4",
"4", "5", "5", "5", "5", "6", "6", "6", "6", "7", "7", "7", "7",
"8", "8", "8", "8", "1", "1", "1", "2", "2", "2", "3", "3", "3",
"4", "4", "4", "5", "5", "5", "6", "6", "6", "7", "7", "7", "8",
"8", "8", "1", "1", "1", "2", "2", "2", "3", "3", "3", "4", "4",
"4", "5", "5", "5", "6", "6", "6", "7", "7", "7", "8", "8", "8",
"1", "1", "2", "2", "3", "3", "4", "4", "5", "5", "6", "6", "7",
"7", "8", "8", "1", "1", "2", "2", "3", "3", "4", "4", "5", "5",
"6", "6", "7", "7", "8", "8", "1", "1", "2", "2", "3", "3", "4",
"4", "5", "5", "6", "6", "7", "7", "8", "8", "1", "1", "1", "1",
"2", "2", "2", "2", "3", "3", "3", "3", "4", "4", "4", "4", "5",
"5", "5", "5", "6", "6", "6", "6", "7", "7", "7", "7", "8", "8",
"8", "8", "1", "1", "2", "2", "3", "3", "4", "4", "5", "5", "6",
"6", "7", "7", "8", "8", "1", "1", "2", "2", "3", "3", "4", "4",
"5", "5", "6", "6", "7", "7", "8", "8", "1", "1", "2", "2", "3",
"3", "4", "4", "5", "5", "6", "6", "7", "7", "8", "8", "1", "1",
"2", "2", "3", "3", "4", "4", "5", "5", "6", "6", "7", "7", "8",
"8", "1", "1", "2", "2", "3", "3", "4", "4", "5", "5", "6", "6",
"7", "7", "8", "8", "1", "2", "3", "4", "5", "6", "7", "8", "1",
"1", "1", "1", "2", "2", "2", "2", "3", "3", "3", "3", "4", "4",
"4", "4", "5", "5", "5", "5", "6", "6", "6", "6", "7", "7", "7",
"7", "8", "8", "8", "8", "1", "1", "1", "1", "2", "2", "2", "2",
"3", "3", "3", "3", "4", "4", "4", "4", "5", "5", "5", "5", "6",
"6", "6", "6", "7", "7", "7", "7", "8", "8", "8", "8", "1", "1",
"2", "2", "3", "3", "4", "4", "5", "5", "6", "6", "7", "7", "8",
"8", "1", "1", "1", "1", "2", "2", "2", "2", "3", "3", "3", "3",
"4", "4", "4", "4", "5", "5", "5", "5", "6", "6", "6", "6", "7",
"7", "7", "7", "8", "8", "8", "8", "1", "1", "1", "1", "2", "2",
"2", "2", "3", "3", "3", "3", "4", "4", "4", "4", "5", "5", "5",
"5", "6", "6", "6", "6", "7", "7", "7", "7", "8", "8", "8", "8",
"1", "1", "2", "2", "3", "3", "4", "4", "5", "5", "6", "6", "7",
"7", "8", "8", "1", "1", "1", "1", "2", "2", "2", "2", "3", "3",
"3", "3", "4", "4", "4", "4", "5", "5", "5", "5", "6", "6", "6",
"6", "7", "7", "7", "7", "8", "8", "8", "8", "1", "2", "3", "4",
"5", "6", "7", "8"), ObservationOrder = c(1, 1, 1, 1, 1, 1, 1,
1, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4,
3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 1, 2, 1, 2, 1, 2, 1, 2, 1,
2, 1, 2, 1, 2, 1, 2, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4,
3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3,
4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 3, 4, 1, 3, 4, 1, 3,
4, 1, 3, 4, 1, 3, 4, 1, 3, 4, 1, 3, 4, 1, 3, 4, 3, 4, 3, 4, 3,
4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 3, 3, 3, 3, 3, 3, 3, 1, 2,
1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 3, 4, 1, 2, 3,
4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4,
1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1,
2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 3, 4, 3, 4, 3, 4,
3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3,
4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4,
3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 1, 2, 1, 2, 1,
2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2,
1, 2, 1, 2, 1, 2, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3,
4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4,
1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1,
2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2,
3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3,
1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3,
1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3,
1, 2, 3, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4,
3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3, 4, 3,
4, 3, 4, 3, 4, 3, 4, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4,
1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1,
2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2,
1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1,
2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2,
1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 1, 1, 1, 1,
1, 1, 1, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2,
3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3,
4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4,
1, 2, 3, 4, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1,
2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2,
3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3,
4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4,
1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 3, 4, 1,
2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2,
3, 4, 1, 2, 3, 4, 1, 1, 1, 1, 1, 1, 1, 1), score = c(3.5, 3.5,
2, 3, 3.5, 4, 3, 4, 2, 3, 2.5, 3, 1.5, 1.5, 0.5, 3, 2, 4, 2.5,
4, 2.5, 3.5, 3, 3.5, 3.5, 3, 2.5, 2.5, 2.5, 2, 2, 3, 3.5, 3.5,
3.5, 3.5, 3, 3, 3, 2.5, 2, 2.5, 2.5, 2.5, 1.5, 2, 1, 2, 1.5,
2.5, 2.5, 3, 1.5, 2.5, 3, 2.5, 2, 1.66666666666667, 3, 1.33333333333333,
2, 1, 1.5, 1.33333333333333, 2, 2, 2.5, 2.33333333333333, 2,
1.33333333333333, 2.5, 2.33333333333333, 2.5, 1, 4, 3.5, 3, 1,
2.5, 3, 2, 1.5, 2, 1.5, 2.5, 1.5, 3, 3, 2.5, 1.5, 4, 4, 3, 2,
3.5, 3.5, 2.5, 1.5, 3.5, 4, 3, 2, 3.5, 3.5, 1.5, 3, 1.33333333333333,
2, 2.5, 2.66666666666667, 1.5, 2.5, 1.33333333333333, 3, 2, 1.66666666666667,
2.5, 2.5, 2.66666666666667, 3, 3, 2.33333333333333, 2.5, 2, 1.66666666666667,
3.5, 3, 1.66666666666667, 2.5, 3, 3.5, 4, 2, 3, 2.5, 4, 3, 3,
3, 3, 3.5, 3, 3.5, 3.5, 2, 2.5, 2, 1.5, 1.5, 3, 1.5, 3, 3, 1.5,
3.5, 0.5, 1, 1, 1, 1.5, 3, 1, 3, 0.5, 1.5, 0, 2.5, 1, 2.5, 0.5,
2, 3.5, 3, 0.5, 3, 2.5, 2.5, 1.5, 2.5, 3, 2.5, 1, 2.5, 3, 3.5,
1, 3.5, 3, 3, 2, 3, 3, 3, 1, 3.5, 3, 3, 1.5, 3.5, 3.5, 2, 2.5,
2.5, 2, 2, 3, 2.5, 2.5, 2, 2.5, 2, 2.5, 1.5, 2, 2.5, 1.5, 2,
3, 3, 3, 2, 4, 3, 2.5, 2.5, 3.5, 2, 2, 2, 3.5, 2, 3, 3.5, 1.5,
3, 1, 2.5, 1, 3, 1, 3.5, 2, 3, 2, 2.5, 1, 3, 1.5, 1.5, 1, 3,
2.5, 1, 1.5, 2, 1.5, 2, 1, 2.5, 1, 2, 0.5, 2.5, 2, 2.5, 1.5,
3.5, 2, 3, 3, 3, 2, 1.5, 1, 2.5, 1.5, 2, 0.5, 3, 2.5, 3.5, 4,
2, 3, 2.5, 2.5, 2.5, 4, 3.5, 2.5, 3, 3, 2.5, 1.5, 3, 3, 2.5,
3, 1, 2, 1, 3, 2.5, 2.5, 3.5, 3.5, 3.5, 3, 3, 2, 3, 2.5, 2, 3,
3, 2, 2, 2.5, 3, 3, 3, 4, 4, 3.5, 3, 3, 1, 4, 1.5, 1.5, 3.5,
4, 3, 1.5, 2.5, 3, 2.5, 2, 3, 2.5, 2, 3, 3, 3, 2.5, 3, 3, 4,
2.5, 3.5, 3, 3, 2, 3, 2.5, 2.5, 3, 2.5, 3.5, 3.5, 3.5, 2, 3,
2, 2.5, 2, 2.5, 2.5, 2.5, 1.5, 3, 1.5, 3.5, 1.5, 3.5, 2, 2.5,
2.5, 3.5, 2.5, 2.5, 3, 4, 2, 2.5, 2.5, 2.5, 2.5, 3, 1.5, 2.5,
3, 2.5, 3, 3.5, 4, 3, 3, 3, 3, 2, 2, 2, 1.5, 2.5, 3, 3, 4, 3.5,
3, 3, 3.5, 3, 3, 2.5, 4, 2, 3, 2.5, 3, 2.5, 3, 3.5, 3.5, 1.5,
2, 1.5, 2, 1.5, 1.5, 2, 1, 2, 1, 1, 1, 2.5, 2.5, 2, 2.5, 2, 1,
3, 1.5, 1.5, 2, 1.5, 3, 1.5, 2.5, 3.5, 2.5, 2.5, 2, 2.5, 2, 2,
1, 2, 3, 2.5, 3, 3.5, 2, 2.5, 3.5, 2, 2, 2, 1.5, 3, 3, 3, 3,
3, 3.5, 2, 1.5, 2.5, 2, 3, 2.5, 3.5, 3, 2.5, 1.5, 2, 3, 2.5,
3.5, 2.5, 2, 2, 2, 2.5, 3.5, 2.5, 4, 3, 4, 3, 4, 3, 3, 3.5, 3,
3.5, 3, 2.5, 1, 3, 3.5, 3.5, 3.5, 3, 3, 3.5, 3, 3, 3.5, 3, 1,
2.5, 2, 3, 2, 2, 1, 2.5, 1.5, 2, 2, 3, 0, 1.5, 1.66666666666667,
3.5, 1.5, 2.5, 3, 3, 1.5, 2.5, 3, 3, 1, 2.5, 1.66666666666667,
2.5, 1.5, 3, 2.66666666666667, 2.5, 1.5, 1, 0.5, 1.5, 1.5, 2,
2, 3, 1, 3, 2.5, 2.5, 1.5, 2, 2, 1, 0.5, 1.5, 1, 2, 1, 0, 0.5,
1, 0.5, 1.5, 1, 0.5, 0.5, 0.5, 1, 2, 2.5, 2, 2.5, 2, 2.5, 3,
1.5, 3, 2, 3, 2, 2.5, 1.5, 2, 0.5, 2.5, 1, 3, 2, 2, 1.5, 3.5,
0.5, 4, 0.5, 4, 1.5, 3, 0.5, 3, 0, 3, 1.5, 1, 2.5, 2, 1.5, 2,
2, 4, 2.5, 3, 2.5, 3, 2.5, 2.5, 3, 3.5, 2.5, 3, 3.5, 3.5, 3.5,
3.5, 4, 3.5, 2.5, 3, 3.5, 2, 3, 3, 2, 2, 3.5, 2, 2.5, 3.5, 3,
3, 2.5, 3.5, 2.5, 3, 3.5, 3, 3, 3.5, 3, 3, 3, 2.5, 2.5, 2.5,
3, 3.5, 3, 3, 2, 3, 2, 2.5, 2.5, 3, 3, 2, 1, 2, 1, 3.5, 1, 2,
1.5, 3.5, 2, 3.5, 2.5, 3, 2.5, 3.5, 3, 2.5, 2, 3, 1.5, 2.5, 2,
3, 2.5, 0, 3, 1.5, 2, 1, 1.5, 2, 3.5, 1, 3.5, 1.5, 3.5, 1, 2.5,
1.5, 3, 2, 2, 3.5, 2.5, 1, 1, 4, 1, 1.5, 2, 2, 1, 1, 1.5, 2.5,
1.5, 1, 0, 2.5, 2, 2.5, 3, 2.5, 2.5, 1.5, 0.5, 2, 1.5, 2.5, 1.5,
3.5, 3, 1, 2, 2.5, 3.5, 1.5, 2, 2.5, 3, 2, 1.5, 2, 2.5, 1.5,
2, 2.5, 3, 1.5, 1.5, 2.5, 2.5, 2.5, 2, 2, 3, 1, 2, 2.5, 2, 0.5,
1, 3.5, 2.5, 2.5, 3.5, 1.5, 1, 2.5, 2, 2, 3.5, 3.5, 3.5, 3, 3.5,
2, 3.5, 3, 2.5, 2, 2, 1, 1.5, 3, 1, 1, 1.5, 2, 1, 1, 1.5, 1.5,
1, 0, 1, 1.5, 2, 0.5, 1.5, 2.5, 2.5, 1.5, 2, 1.5, 1.5, 0.5, 1,
3, 2, 0, 1, 2.5, 2, 2, 3, 2.5, 3, 2.5, 2.5)), class = c("tbl_df",
"tbl", "data.frame"), row.names = c(NA, -840L))
hg10.1<-vector('list',32)
hg10.2<-vector('list',32)
hg10.3<-vector('list',32)
for (i in 1:8){
for (j in 1:4){
TLColTemp<-cohen.d((subgroup_years_aggregated_indicators[subgroup_years_aggregated_indicators$Group==1 &
subgroup_years_aggregated_indicators$indicator==i &
subgroup_years_aggregated_indicators$ObservationOrder==j,]$score),
(subgroup_years_aggregated_indicators[subgroup_years_aggregated_indicators$Group==2 &
subgroup_years_aggregated_indicators$indicator==i &
subgroup_years_aggregated_indicators$ObservationOrder==j,]$score),
pooled=T,hedges.correction = T,na.rm=T)
hg10.1[[i]]<-TLColTemp$estimate
ColCompTemp<-cohen.d((subgroup_years_aggregated_indicators[subgroup_years_aggregated_indicators$Group==2 &
subgroup_years_aggregated_indicators$indicator==i &
subgroup_years_aggregated_indicators$ObservationOrder==j,]$score),
(subgroup_years_aggregated_indicators[subgroup_years_aggregated_indicators$Group==3 &
subgroup_years_aggregated_indicators$indicator==i &
subgroup_years_aggregated_indicators$ObservationOrder==j,]$score),
pooled=T,hedges.correction = T,na.rm=T)
hg10.2[[i]]<-ColCompTemp$estimate
TLCompTemp<-cohen.d((subgroup_years_aggregated_indicators[subgroup_years_aggregated_indicators$Group==1 &
subgroup_years_aggregated_indicators$indicator==i &
subgroup_years_aggregated_indicators$ObservationOrder==j,]$score),
(subgroup_years_aggregated_indicators[subgroup_years_aggregated_indicators$Group==3 &
subgroup_years_aggregated_indicators$indicator==i &
subgroup_years_aggregated_indicators$ObservationOrder==j,]$score),
pooled=T,hedges.correction = T,na.rm=T)
hg10.3[[i]]<-TLCompTemp$estimate
}
}
答案 0 :(得分：0)
如果我了解目标，这里是一种dplyr的方式来获取所有相关估算值。 est_1_2是第1组和第2组之间的d，依此类推...
res <- subgroup_years_aggregated_indicators %>%
group_by(indicator, ObservationOrder) %>%
summarise(est_1_2 = cohen.d(score[which(Group == 1)], score[which(Group == 2)], pooled=T,hedges.correction = T,na.rm=T)$estimate,
est_2_3 = cohen.d(score[which(Group == 2)], score[which(Group == 3)], pooled=T,hedges.correction = T,na.rm=T)$estimate,
est_1_3 = cohen.d(score[which(Group == 1)], score[which(Group == 3)], pooled=T,hedges.correction = T,na.rm=T)$estimate) %>%
split(., .$indicator)
> res
$`1`
# A tibble: 4 x 5
# Groups: indicator [1]
indicator ObservationOrder est_1_2 est_2_3 est_1_3
<chr> <dbl> <dbl> <dbl> <dbl>
1 1 1 -0.347 0.416 0.191
2 1 2 0.798 -1.58 -0.532
3 1 3 -0.0298 0.309 0.307
4 1 4 -0.0940 0.309 0.188
$`2`
# A tibble: 4 x 5
# Groups: indicator [1]
indicator ObservationOrder est_1_2 est_2_3 est_1_3
<chr> <dbl> <dbl> <dbl> <dbl>
1 2 1 0.597 0.156 0.819
2 2 2 0.0666 -0.0408 0.0256
3 2 3 -0.413 0.0478 -0.251
4 2 4 0.178 0.246 0.510
$`3`
# A tibble: 4 x 5
# Groups: indicator [1]
indicator ObservationOrder est_1_2 est_2_3 est_1_3
<chr> <dbl> <dbl> <dbl> <dbl>
1 3 1 -0.412 0.550 0.118
2 3 2 0.361 -0.263 0.0294
3 3 3 0.353 0.769 1.09
4 3 4 0.305 -0.102 0.189
$`4`
# A tibble: 4 x 5
# Groups: indicator [1]
indicator ObservationOrder est_1_2 est_2_3 est_1_3
<chr> <dbl> <dbl> <dbl> <dbl>
1 4 1 -0.288 0.153 -0.126
2 4 2 0.919 -1.05 -0.340
3 4 3 -0.0631 0.341 0.348
4 4 4 -0.0559 0.766 0.689
$`5`
# A tibble: 4 x 5
# Groups: indicator [1]
indicator ObservationOrder est_1_2 est_2_3 est_1_3
<chr> <dbl> <dbl> <dbl> <dbl>
1 5 1 -0.524 0.773 0.572
2 5 2 1.18 -0.715 0.293
3 5 3 0.134 0.460 0.670
4 5 4 -0.361 1.08 0.744
$`6`
# A tibble: 4 x 5
# Groups: indicator [1]
indicator ObservationOrder est_1_2 est_2_3 est_1_3
<chr> <dbl> <dbl> <dbl> <dbl>
1 6 1 -0.147 0.549 0.460
2 6 2 0.993 -1.64 -0.196
3 6 3 -0.0934 0.489 0.473
4 6 4 -0.543 1.04 0.248
$`7`
# A tibble: 4 x 5
# Groups: indicator [1]
indicator ObservationOrder est_1_2 est_2_3 est_1_3
<chr> <dbl> <dbl> <dbl> <dbl>
1 7 1 -0.273 0.763 0.740
2 7 2 0.799 -0.932 -0.0997
3 7 3 -0.643 0.870 0.506
4 7 4 -0.147 0.845 0.790
$`8`
# A tibble: 4 x 5
# Groups: indicator [1]
indicator ObservationOrder est_1_2 est_2_3 est_1_3
<chr> <dbl> <dbl> <dbl> <dbl>
1 8 1 0.266 0.106 0.419
2 8 2 0.830 -0.824 0.0903
3 8 3 0.626 0.0371 0.409
4 8 4 -0.220 0.863 0.647
答案 1 :(得分：0)
这是一种方法，首先准备一个包含参数化的数据框以供以后计算，然后使用[set(a).intersection(b) for a, b in zip(df['numbers_a'], df['numbers_b'])]
# [True, False, True]
# To assign the result back
df['result'] = [
set(a).intersection(b) for a, b in zip(df['numbers_a'], df['numbers_b'])]
将这些参数馈入一个函数，该函数为每一行计算您的cohen.d估计量：
purrr::pmap