像这样...

x <- c(1:100,NA)
length(x)
length(x[!is.na(x)])

你也可以得到这样的自由度。

y <- c(1:100,NA)
x <- c(1:100,NA)

cor.test(x,y)$parameter

但我认为最好是你展示你是如何估计相关性的代码来获得确切的帮助。

下面是一个如何在矩阵的列中查找成对样本大小的示例。如果要将其应用于数据框的（某些）数值列，请相应地合并它们，将结果对象强制为矩阵并应用函数。

# Example matrix:
xx <- rnorm(3000)
# Generate some NAs
vv <- sample(3000, 200)
xx[vv] <- NA
# reshape to a matrix
dd <- matrix(xx, ncol = 3)
# find the number of NAs per column
apply(dd, 2, function(x) sum(is.na(x)))
# tack on some column names
colnames(dd) <- paste0("x", seq(3))

# Function to find the number of pairwise complete observations 
# among all pairs of columns in a matrix. It returns a data frame
# whose first two columns comprise all column pairs

pairwiseN <- function(mat)
{
    u <- if(is.null(colnames(mat))) paste0("x", seq_len(ncol(mat))) else colnames(mat)
    h <- expand.grid(x = u, y = u)

    f <- function(x, y)
           sum(apply(mat[, c(x, y)], 1, function(z) !any(is.na(z))))
    h$n <- mapply(f, h[, 1], h[, 2])
    h
}

# Call it
pairwiseN(dd)

功能易于改进;例如，您可以设置h <- expand.grid(x = u[-1], y = u[-length(u)])以减少计算的数量，您可以返回一个n x n矩阵而不是三列 Dataframe ，等等。

下面是Dennis函数的for循环实现，它输出一个n x n矩阵，而不是pivot_wide（）结果。在我的databricks集群上，它将1865行x 69列矩阵的计算时间从2.5 - 3分钟减少到30-40秒。
谢谢你的回答丹尼斯，这对我的工作很有帮助。

pairwise_nxn <- function(mat)
{
    cols <- if(is.null(colnames(mat))) paste0("x", seq_len(ncol(mat))) else colnames(mat)
    nn <- data.frame(matrix(nrow = length(cols), ncol = length(cols)))
    rownames(nn) <- colnames(nn) <- cols

    f <- function(x, y)
           sum(apply(mat[, c(x, y)], 1, function(z) !any(is.na(z))))
    for (i in 1:nrow(nn))
      for (j in 1:ncol(nn))
        nn[i,j] <- f(rownames(nn)[i], colnames(nn)[j])
    nn
}

如果变量是名为a和b的向量，那么sum(is.na(a) | is.na(b))这样的变量对您有帮助吗？