基于值标签构建可在dplyr::mutate/across运行的二分转换函数

针对你的需求，我们可以重构make_dicho()函数，使其适配dplyr的管道环境，无需手动传入数据框，同时完美支持across()批量处理变量。核心思路是利用rlang的tidy eval工具自动识别运行环境，同时兼容单独调用、mutate()调用和across()调用三种场景。

最终函数代码 #

library(dplyr)
library(rlang)
library(labelled)
library(stringr)

make_dicho <- function(var, df = NULL) {
  # 处理三种调用场景：单独传入df、mutate中调用、across中传入向量
  if (!is.null(df)) {
    # 单独调用时，从指定数据框提取变量
    var_name <- as_name(enexpr(var))
    var_vec <- df[[var_name]]
  } else if (is_symbol(enexpr(var))) {
    # 在mutate管道中，自动获取当前数据框的变量
    var_vec <- cur_data()[[as_name(enexpr(var))]]
  } else {
    # 在across中，直接处理传入的带标签向量
    var_vec <- var
  }
  
  # 检查变量是否有值标签
  val_labels <- val_labels(var_vec)
  if (is.null(val_labels)) {
    stop("目标变量没有值标签，请先使用labelled包添加标签后再处理。")
  }
  
  # 反转值标签映射，方便通过数值匹配对应的文本标签
  label_map <- names(val_labels)
  names(label_map) <- val_labels
  
  # 将数值转换为文本标签，再进行二分判断
  label_text <- label_map[as.character(var_vec)]
  case_when(
    str_detect(label_text, regex("agree", ignore_case = TRUE)) ~ "Agree",
    str_detect(label_text, regex("disagree", ignore_case = TRUE)) ~ "Disagree",
    TRUE ~ NA_character_
  )
}

场景测试 #

1. 单独调用函数 #

make_dicho(x, df = data)
# 输出：[1] "Disagree" "Disagree" "Agree"    "Agree"

2. 在mutate()中调用（无需传入.） #

data %>% 
  mutate(new_x = make_dicho(x))

3. 在across()中批量处理变量 #

data %>% 
  mutate(
    across(x:z, make_dicho, .names = "new_{col}")
  )

关键改进点 #

1. 自动识别数据环境：

   • 在mutate()中调用时，通过cur_data()自动获取当前管道中的数据框，无需手动传入.
   • 兼容单独调用场景，通过可选的df参数指定数据框

2. 适配across()运行逻辑：

   • 判断输入类型：如果是across()传入的带标签向量，直接处理；如果是变量名，则从数据框提取变量
   • 基于值标签文本进行二分，不受量表点数（4/6点）限制，只要标签包含"agree"/"disagree"即可正确分类

3. 鲁棒性增强：

   • 添加值标签检查，避免无标签变量导致的错误
   • 使用不区分大小写的正则匹配，兼容不同格式的标签文本（如"Strongly Agree"或"strongly agree"）

内容的提问来源于stack exchange，提问作者jdenn0514