如何在tidyverse中优雅处理数据处理时的行数变化？

在tidyverse框架里，很多函数对输出行数有严格要求，最典型的就是dplyr::mutate()，它要求新生成的变量行数必须和原数据集一致。比如尝试为变量x生成密度值时：

library(magrittr)
df %>%
  dplyr::mutate(dx= density(x)$x,
                dy= density(x)$y)

会触发类似Caused by error:! dx must be size 100 or 1, not 512.的错误。

但实际数据处理中，经常需要改变数据集的行数，比如插值、密度计算这类场景。目前可以用{}包裹代码块来实现，但有没有更符合tidyverse风格的优雅方式？

以下是几种更优的实现方案：

1. 使用dplyr::reframe()（推荐） #

从dplyr 1.1.0版本开始，reframe()专门用于处理需要返回任意行数结果的场景，完美替代mutate()在这类需求中的局限，同时保持管道的流畅性。

密度计算示例 #

library(dplyr)
df %>%
  reframe(dx = density(x)$x,
          dy = density(x)$y)

插值场景示例 #

library(dplyr)
df %>%
  reframe(
    x = seq(min(x), max(x), 1),
    y = approx(x, y, xout = x)$y
  ) %>%
  mutate(xy_diff = x - y)

2. 列表列 + tidyr::unnest() #

如果需要保留原数据集的部分信息，或者针对分组数据进行多行扩展，可以先把多行结果存储为列表列，再用tidyr::unnest()展开：

插值场景示例 #

library(dplyr)
library(tidyr)

df %>%
  mutate(
    # 把插值结果存为列表列
    interp = list(
      tibble(
        x_interp = seq(min(x), max(x), 1),
        y_interp = approx(x, y, xout = x_interp)$y
      )
    )
  ) %>%
  unnest(interp) %>%
  mutate(xy_diff = x_interp - y_interp)

这种方式适合需要关联原数据和新生成数据的场景，比如分组后每个组生成多行插值结果。

3. purrr::map_dfr()配合管道 #

对于更复杂的自定义数据转换，可以用purrr::map_dfr()直接接收数据框，返回新的数据框，保持管道的连贯性：

插值场景示例 #

library(dplyr)
library(purrr)

df %>%
  map_dfr(~{
    x_seq <- seq(min(.x$x), max(.x$x), 1)
    tibble(
      x = x_seq,
      y = approx(.x$x, .x$y, xout = x_seq)$y
    )
  }) %>%
  mutate(xy_diff = x - y)

对比原{}方法的优势 #

• 上述方法更贴合tidyverse的设计哲学，代码可读性更强，避免了临时变量的混乱
• reframe()和unnest()的语法更统一，和其他tidyverse函数的兼容性更好
• 分组场景下，reframe()可以自动按分组生成对应行数的结果，无需额外处理

测试用数据 #

# 生成数据
set.seed(1)
x <- sample(1:999, 100); y <- .5*x + rnorm(100)
df <- data.frame(x, y)

内容的提问来源于stack exchange，提问作者LulY