直接使用符号与符号变量调用@rsubset结果不同的原因及列迭代建议

@rsubset是宏，解析代码时会直接把st == 0中的st当作列名去查找，而非读取变量st存储的Symbol("Med1")值。由于你的DataFrame里没有名为st的列，这行代码会返回空DataFrame，因此isequal(result1, result2)返回false。

要让宏识别变量的实际值，需要用**插值语法$**将变量注入到宏表达式中：

using DataFrames, DataFramesMeta

# 创建示例DataFrame
df = DataFrame(ID = 1:5, Med1 = [0, 1, 0, 1, 0])

# 直接使用列名符号筛选
result1 = @rsubset df :Med1 == 0

# 用变量存储列名符号，通过$插值在宏中使用
st = Symbol("Med1")
result2 = @rsubset df $st == 0

# 现在结果一致
isequal(result1, result2)  # 返回true

针对Med1、Med2这类带编号的列，推荐以下几种批量处理方式：

1. 循环遍历列名符号 #

先生成所有目标列的符号数组，再循环执行筛选/处理逻辑：

# 示例DataFrame（包含Med1-Med3）
df = DataFrame(ID=1:5, Med1=[0,1,0,1,0], Med2=[1,0,1,0,1], Med3=[0,0,1,1,0])

# 生成目标列的符号列表
med_cols = [Symbol("Med", i) for i in 1:3]

# 循环筛选每列等于0的行，结果存入字典
filtered_results = Dict()
for col in med_cols
    filtered_results[col] = @rsubset df $col == 0
end

# 查看Med1的筛选结果
filtered_results[:Med1]

2. 使用@eachcol批量处理列级操作 #

如果需要对每列执行统计、转换等列级操作，@eachcol能简化代码：

# 计算每个Med列的非零值数量
non_zero_counts = @eachcol df[:, med_cols] begin
    sum(x -> x != 0, col)
end

3. 结合@chain实现链式数据流 #

对于复杂逻辑，用@chain配合字典推导式，让代码更简洁易读：

using Chain

# 批量生成各列的筛选结果
filtered_dfs = @chain med_cols begin
    Dict(col => @rsubset(df, $col == 0) for col in _)
end

4. 动态构建表达式（进阶场景） #

如果需要更灵活的条件逻辑，可以手动构建表达式传递给宏：

for col in med_cols
    # 动态构建筛选表达式
    filter_expr = :($col == 0)
    # 将表达式注入宏中执行
    result = @rsubset df $filter_expr
    # 这里可以添加后续处理逻辑
    println("筛选$(col)列的结果行数：", nrow(result))
end

内容的提问来源于stack exchange，提问作者violeta