如果可能，我建议您避免 for 循环并重复 rbind 以过滤您的数据。使用一些示例数据：
set.seed(2)
n <- 1e4
df <- data.frame(
row11 = sample(100, size=n, replace=TRUE),
row3 = sample(100, size=n, replace=TRUE)
)
dim(df)
# [1] 10000 2
head(df)
# row11 row3
# 1 19 5
# 2 71 27
# 3 58 31
# 4 17 52
# 5 95 37
# 6 95 79
矢量化它！
cond1 <- df$row11 > 30
cond2 <- df$row11 < 40
cond3 <- df$row3 > 10
cond4 <- df$row3 < 15
str(cond1)
# logi [1:10000] FALSE TRUE TRUE FALSE TRUE TRUE ...
out1 <- df[ cond1 & cond2 & cond3 & cond4, ]
str(out1)
# 'data.frame': 31 obs. of 2 variables:
# $ row11: int 39 35 37 33 37 36 32 34 32 37 ...
# $ row3 : int 13 11 14 13 11 13 14 12 11 12 ...
（使用cond1等，作为预定义的logical向量是完全可选的。这与[...]括号内的文字条件一样有效。此外，我知道您的数据有更多列。 .. 这适用于更多列。）
要查看使用矢量化方法优于循环的好处（文字 for 或以类似方式使用 lapply）：
library(microbenchmark)
microbenchmark(
vec = {
cond1 <- df$row11 > 30
cond2 <- df$row11 < 40
cond3 <- df$row3 > 10
cond4 <- df$row3 < 15
df[ cond1 & cond2 & cond3 & cond4, ]
},
forloop = {
out2 <- df[0,]
for (i in seq_len(nrow(df))) {
if (df$row11[i] > 30 && df$row11[i] < 40 &&
df$row3[i] > 10 && df$row3[i] < 15) {
out2 <- rbind(out2, df[i,,drop=FALSE])
}
}
},
lapp = {
out3 <- lapply(seq_len(nrow(df)), function(i) {
if (df$row11[i] > 30 && df$row11[i] < 40 &&
df$row3[i] > 10 && df$row3[i] < 15) {
df[i,,drop=FALSE]
}
})
do.call(rbind, out3)
}
)
# Unit: microseconds
# expr min lq mean median uq max neval
# vec 340.605 381.813 444.9889 409.1635 476.2635 758.519 100
# forloop 142056.061 154749.407 169612.1311 165602.7955 178100.6755 254283.720 100
# lapp 148903.885 161126.073 178910.3185 172380.4195 186945.8120 256529.009 100
这意味着我在大约 409 微秒内所做的工作，for 和 lapply 实现要高三个数量级。
更大的数据
对于更接近您的数据大小的演示：
set.seed(2)
# 3 million rows
nr <- 3e6
# 20 columns
nc <- 20
df <- as.data.frame(setNames(lapply(seq_len(nc), function(i) sample(100, size=nr, replace=TRUE)),
paste0("row", seq_len(nc))))
str(df)
# 'data.frame': 3000000 obs. of 20 variables:
# $ row1 : int 19 71 58 17 95 95 13 84 47 55 ...
# $ row2 : int 55 86 45 12 20 4 53 53 9 56 ...
# $ row3 : int 78 100 93 86 67 61 45 41 82 32 ...
# $ row4 : int 2 8 71 33 10 61 84 6 12 72 ...
# $ row5 : int 31 27 32 75 100 54 80 2 52 10 ...
# $ row6 : int 35 84 37 100 61 27 8 89 18 69 ...
# $ row7 : int 100 28 54 34 18 68 25 96 8 9 ...
# $ row8 : int 47 4 50 4 46 34 64 88 17 73 ...
# $ row9 : int 45 91 13 1 78 17 40 78 81 39 ...
# $ row10: int 31 41 87 60 30 30 22 99 85 44 ...
# $ row11: int 83 90 10 51 88 27 21 48 87 27 ...
# $ row12: int 94 83 44 53 58 41 39 5 93 6 ...
# $ row13: int 65 90 8 55 85 100 14 41 44 99 ...
# $ row14: int 39 29 18 32 87 80 32 62 22 12 ...
# $ row15: int 33 15 58 46 7 4 61 35 32 60 ...
# $ row16: int 22 17 58 27 24 56 83 59 22 44 ...
# $ row17: int 38 28 7 40 95 21 13 53 78 64 ...
# $ row18: int 64 12 88 55 36 68 84 16 82 15 ...
# $ row19: int 48 53 75 62 61 31 36 23 4 18 ...
# $ row20: int 25 89 1 11 10 40 24 50 50 66 ...
system.time({
cond1 <- df$row11 > 30
cond2 <- df$row11 < 40
cond3 <- df$row3 > 10
cond4 <- df$row3 < 15
out1 <- df[ cond1 & cond2 & cond3 & cond4, ]
})
# user system elapsed
# 0.14 0.04 0.18
在不到 1 秒的时间内将 3M 行减少到刚刚超过 10K：
str(out1)
# 'data.frame': 10685 obs. of 20 variables:
# $ row1 : int 47 82 31 1 10 86 97 85 74 56 ...
# $ row2 : int 42 5 48 1 48 10 11 18 11 94 ...
# $ row3 : int 13 12 11 12 13 12 12 11 14 11 ...
# $ row4 : int 75 29 66 53 21 2 78 52 39 87 ...
# $ row5 : int 69 90 27 67 96 23 1 36 70 83 ...
# $ row6 : int 95 77 34 99 26 63 78 100 23 42 ...
# $ row7 : int 23 27 95 61 58 91 36 35 35 35 ...
# $ row8 : int 57 92 47 23 69 49 1 44 29 99 ...
# $ row9 : int 49 17 44 65 10 94 76 60 74 81 ...
# $ row10: int 85 86 77 76 54 29 12 14 87 68 ...
# $ row11: int 34 31 34 34 37 31 32 37 31 37 ...
# $ row12: int 15 69 35 53 92 67 47 73 66 55 ...
# $ row13: int 66 57 78 8 2 14 31 88 46 67 ...
# $ row14: int 41 83 28 47 98 61 79 93 35 79 ...
# $ row15: int 36 37 15 12 18 62 25 64 15 98 ...
# $ row16: int 72 60 93 31 27 84 37 78 34 76 ...
# $ row17: int 83 2 48 20 92 25 6 57 55 66 ...
# $ row18: int 45 88 86 71 92 27 20 82 89 43 ...
# $ row19: int 9 34 79 9 28 39 37 72 90 14 ...
# $ row20: int 59 3 44 35 65 54 41 50 87 18 ...