在R中高效对数据框多选定列执行Mutate批量操作

问题描述 #

现有如下示例数据框：

example <- data.frame(
  ID_A = c(1101, 1101, 1102, 1102, 1103, 1103),
  ID_B = c(2101, 2101, 2102, 2102, 2103, 2103),
  A = c(1,2,3,1,2,3),
  B = c(2,2,3,2,2,3),
  C = c(3,2,3,3,2,3)
)

需要针对A、B、C三列批量执行以下操作：

• 生成后缀为.c的中心化列：使用scale(..., scale = FALSE)处理原列
• 生成后缀为.cb的组内均值列：按ID_A分组，计算对应.c列的均值
• 生成后缀为.cw的组内中心化列：用.c列减去对应的.cb列

已手动实现单列（C列）的操作，但需要高效的批量处理方案。期望输出结果如下：

example_solution <- data.frame(
  ID_A = c(1101, 1101, 1102, 1102, 1103, 1103),
  ID_B = c(2101, 2101, 2102, 2102, 2103, 2103),
  A = c(1,2,3,1,2,3),
  B = c(2,2,3,2,2,3),
  C = c(3,2,3,3,2,3),
  A.c = c(-1, 0, 1, -1, 0, 1),
  A.cb = c(-0.5, -0.5, 0.0, 0.0, 0.5, 0.5),
  A.cw = c(-0.5, 0.5, 1.0, -1.0, -0.5, 0.5),
  B.c = c(-0.3333333, -0.3333333, 0.6666667, -0.3333333, -0.3333333, 0.6666667),
  B.cb = c(-0.3333333, -0.3333333, 0.1666667, 0.1666667, 0.1666667, 0.1666667),
  B.cw = c(0.0, 0.0, 0.5, -0.5, -0.5, 0.5),
  C.c = c(0.3333333, -0.6666667, 0.3333333, 0.3333333, -0.6666667, 0.3333333),
  C.cb = c(-0.1666667, -0.1666667, 0.3333333, 0.3333333, -0.1666667, -0.1666667),
  C.cw = c(0.5, -0.5, 0.0, 0.0, -0.5, 0.5)
)

解决方案 #

利用dplyr的across函数可以高效实现批量处理，无需重复编写单列逻辑，以下提供两种实现方式：

方法1：链式调用一次性完成 #

library(dplyr)
library(stringr)

example_processed <- example %>%
  # 生成.c中心化列
  mutate(across(c(A, B, C), ~scale(., scale = FALSE), .names = "{.col}.c")) %>%
  # 按ID_A分组，生成.cb组内均值列
  group_by(ID_A) %>%
  mutate(across(ends_with(".c"), ~mean(., na.rm = TRUE), .names = "{.col}b")) %>%
  # 生成.cw列（.c - .cb）
  mutate(across(ends_with(".c"), ~.x - get(str_replace(cur_column(), ".c$", ".cb")), 
                .names = "{.col}w")) %>%
  ungroup()

方法2：拆分步骤更直观 #

如果希望逻辑更清晰，可以拆分操作步骤：

library(dplyr)
library(stringr)

# 1. 生成中心化列
example_processed <- example %>%
  mutate(across(c(A, B, C), ~scale(., scale = FALSE), .names = "{.col}.c"))

# 2. 计算组内均值列
example_processed <- example_processed %>%
  group_by(ID_A) %>%
  mutate(across(ends_with(".c"), ~mean(., na.rm = TRUE), .names = "{.col}b")) %>%
  ungroup()

# 3. 计算组内中心化列
example_processed <- example_processed %>%
  mutate(across(ends_with(".c"), 
                ~.x - get(str_replace(cur_column(), "\\.c$", ".cb")),
                .names = "{.col}w"))

代码说明 #

• across(c(A, B, C), ...)：指定要批量处理的目标列集合
• .names = "{.col}.c"：通过原列名拼接后缀自动生成新列名
• ends_with(".c")：筛选所有以.c结尾的列，避免重复指定列名
• str_replace(cur_column(), ".c$", ".cb")：动态匹配对应.cb列的名称，实现.c与.cb的对应运算

执行上述代码后，example_processed的结果与example_solution完全一致。

内容的提问来源于stack exchange，提问作者jo_