基于列名匹配生成新列：优化cur_data()低效问题并适配pick()

方法一：矩阵索引法（高效向量化，首选） #

这种方法完全不用rowwise，靠矩阵索引直接提取对应值，效率拉满，适合大数据集：

df <- data.frame(time=c("M0","M12","M0","M0","M12"),
                 M0=c(1,2,4,5,1),
                 M12=c(8,5,9,2,1))

# 生成新列newd
df$newd <- df[cbind(seq_len(nrow(df)), match(df$time, colnames(df)))]

# 查看结果
df

运行结果：

time M0 M12 newd
1   M0  1   8    1
2  M12  2   5    5
3   M0  4   9    4
4   M0  5   2    5
5  M12  1   1    1

方法二：tidyverse风格（替代cur_data，用pick/符号引用） #

如果习惯用dplyr的链式操作，可以用pick()替代弃用的cur_data()，或者直接用符号引用，两种写法都可以：

写法1：用pick() #

library(dplyr)

df2 <- df %>%
  rowwise() %>%
  mutate(newd = pick(all_of(time)) %>% pull()) %>%
  ungroup()

df2

写法2：用sym()符号引用 #

df2 <- df %>%
  rowwise() %>%
  mutate(newd = !!sym(time)) %>%
  ungroup()

df2

两种写法的结果和你原来的一致，但pick()是当前推荐的函数，没有弃用问题。不过注意rowwise()本身还是逐行处理，大数据集下效率不如矩阵索引法。

内容的提问来源于stack exchange，提问作者BPeif