如何在DataFrame中为多组列对应用自定义函数？

1. 先明确函数与列对应关系 #

首先定义处理函数，同时整理好条件列（含yes/no的列）和对应数值列的映射关系：

library(dplyr)
# 若用map2方案需加载purrr
library(purrr)

# 定义你的处理函数
my_fun <- function(a, b) {
  ifelse(a == "yes", b * 5, b)
}

# 列对映射：条件列 ↔ 数值列
condition_cols <- c("w", "y")
value_cols <- c("x", "z")

2. 方案一：替换原数值列（仅用dplyr） #

无需额外依赖，用across结合列索引匹配实现批量处理：

test_df <- tibble(w = c("yes", "no"), x = c(1, 2), y = c("no", "yes"), z = c(4, 5))

test_df %>%
  mutate(
    across(all_of(value_cols), 
           ~ my_fun(!!sym(condition_cols[match(cur_column(), value_cols)]), .x))
  )

执行后结果：

# A tibble: 2 × 4
  w         x y         z
  <chr> <dbl> <chr> <dbl>
1 yes       5 no        4
2 no        2 yes      25

3. 方案二：生成新列（保留原列） #

如果不想修改原列，而是生成带后缀的新处理列，调整across的.names参数即可：

test_df %>%
  mutate(
    across(all_of(value_cols), 
           ~ my_fun(!!sym(condition_cols[match(cur_column(), value_cols)]), .x),
           .names = "{.col}_scaled")
  )

结果会新增x_scaled和z_scaled列：

# A tibble: 2 × 6
  w         x y         z x_scaled z_scaled
  <chr> <dbl> <chr> <dbl>    <dbl>    <dbl>
1 yes       1 no        4        5        4
2 no        2 yes       5        2       25

4. 方案三：用purrr批量处理（适合大量列对） #

如果列对数量极多，用map2批量生成处理结果，逻辑更直观：

# 替换原列
test_df %>%
  mutate(
    !!!map2(condition_cols, value_cols, 
            ~ set_names(list(my_fun(!!sym(.x), !!sym(.y))), .y))
  )

# 生成新列
test_df %>%
  mutate(
    !!!map2(condition_cols, value_cols, 
            ~ set_names(list(my_fun(!!sym(.x), !!sym(.y))), paste0(.y, "_scaled")))
  )

为什么你之前的代码出错？ #

mutate_at（现已被across替代）是针对单个列的操作函数，无法同时传入两列作为参数，因此会出现b未定义的错误——它只能处理单列，找不到第二个参数对应的列。

内容的提问来源于stack exchange，提问作者cahill_598