# 读取数据 data <- read.csv("one.csv") # 定义一个函数，用于判断每一列中是否存在数字小于0或者大于0.8 checkColumn <- function(column) { minVal <- min(column, na.rm = TRUE) maxVal <- max(column, na.rm = TRUE) if (minVal < 0 || maxVal > 0.8) { return(FALSE) } else { return(TRUE) } } # 筛选正式数据 validColumns <- apply(data[, -1], 2, checkColumn) validData <- data[, c(TRUE, validColumns)] # 将删除的部分用空白列代替 invalidColumns <- apply(data[, -1], 2, function(column) {!checkColumn(column)}) invalidData <- data.frame(matrix(NA, nrow = nrow(data), ncol = sum(invalidColumns))) colnames(invalidData) <- colnames(data[, -1])[invalidColumns] finalData <- cbind(data[, 1, drop = FALSE], validData, invalidData) # 将处理后的数据保存为CSV格式的文件 write.csv(finalData, "processed_data.csv", row.names = FALSE)，更改代码，如果存在空缺值也能运行

在进行数据处理前，可以先使用is.na函数判断数据中是否存在缺失值，如果存在缺失值，则可以使用na.omit或其他方法对缺失值进行处理。更改后的代码如下：

# 读取数据
data <- read.csv("one.csv")

# 定义一个函数，用于判断每一列中是否存在数字小于0或者大于0.8.
checkColumn <- function(column) {
  # 删除缺失值
  column <- na.omit(column)
  
  minVal <- min(column)
  maxVal <- max(column)
  
  if (minVal < 0 || maxVal > 0.8) {
    return(FALSE)
  } else {
    return(TRUE)
  }
}

# 筛选正式数据
validColumns <- apply(data[, -1], 2, checkColumn)
validData <- data[, c(TRUE, validColumns)]

# 将删除的部分用空白列代替
invalidColumns <- apply(data[, -1], 2, function(column) {!checkColumn(column)})
invalidData <- data.frame(matrix(NA, nrow = nrow(data), ncol = sum(invalidColumns)))
colnames(invalidData) <- colnames(data[, -1])[invalidColumns]

finalData <- cbind(data[, 1, drop = FALSE], validData, invalidData)

# 将处理后的数据保存为CSV格式的文件
write.csv(finalData, "processed_data.csv", row.names = FALSE)

通过使用na.omit函数删除缺失值，可以避免在计算最小值和最大值时出现警告信息。同时，通过在生成空白列时使用matrix函数，可以保证生成的空白列与原数据的列名对应。