如何在dplyr的mutate、ifelse及lm函数中使用动态变量名填充tibble的缺失值？

Hey there! Let's fix your issue step by step. You're trying to fill NA values in v1 and v5 using linear regression models grouped by t, but the dynamic variable names in your loop aren't playing nice with lm, mutate, and ifelse. Let's break down the fixes and better approaches.

首先，修正你的循环代码 #

Your original code had two key issues: you weren't properly unquoting dynamic variable names, and you weren't saving the modified data frame back to df (dplyr pipes return new objects, they don't modify in-place). Here's the fixed version:

library(dplyr)
library(rlang)

# 设置随机种子让结果可复现
set.seed(123)
t = rep(c('a', 'b'), rep(4, 2))
v1 = c(1, 2, NA, 4, 5, NA, 7, 8)
v2 = runif(8)
v3 = rnorm(8)
v4 = rnorm(8)
v5 = c(NA, 5, 3, 1, NA, NA, 10, 0)
df = tibble(t, v1, v2, v3, v4, v5)

vars = c('v1', 'v5')
for (n in vars){
  for (i in c('a', 'b')) {
    # 筛选当前分组的数据，构建模型
    group_data = df %>% filter(t == i)
    fit = lm(!!sym(n) ~ v3 + v2, data = group_data)
    
    # 预测并填充缺失值，注意使用:=进行动态变量赋值
    df = df %>%
      mutate(pred = ifelse(t == i, predict(fit, .), NA)) %>%
      mutate(!!sym(n) := ifelse(is.na(!!sym(n)) & t == i, pred, !!sym(n))) %>%
      select(-pred) # 移除临时的预测列
  }
}

# 查看填充后的结果
df

关键修正点： #

• 反引用动态变量: 使用!!sym(n)来反引用动态变量名，这会告诉dplyr和lm使用实际的列名（比如v1），而不是把sym(n)当成字面变量名。
• mutate中的动态赋值: 给动态列名赋值时，要用!!sym(n) := ...而不是rlang::sym(n) = ...，:=是dplyr处理动态列赋值的标准语法。
• 保存修改结果: 每次循环都要把管道处理后的新数据框重新赋值给df，否则管道的输出会被丢弃，原数据框不会变化。

更简洁的tidyverse风格写法（推荐） #

不用嵌套循环，你可以用group_by()和across()一次性处理分组和多变量，这更符合tidyverse的代码风格：

set.seed(123)
t = rep(c('a', 'b'), rep(4, 2))
v1 = c(1, 2, NA, 4, 5, NA, 7, 8)
v2 = runif(8)
v3 = rnorm(8)
v4 = rnorm(8)
v5 = c(NA, 5, 3, 1, NA, NA, 10, 0)
df = tibble(t, v1, v2, v3, v4, v5)

df_filled = df %>%
  group_by(t) %>%
  mutate(across(c(v1, v5), function(x) {
    # 只有当变量存在缺失值时才构建模型预测
    if (any(is.na(x))) {
      fit = lm(x ~ v3 + v2, data = cur_data())
      pred = predict(fit, cur_data())
      ifelse(is.na(x), pred, x)
    } else {
      # 没有缺失值就直接返回原数据
      x
    }
  })) %>%
  ungroup()

# 查看结果
df_filled

这个方法的优势： #

• 不用手动遍历分组或变量：group_by(t)自动处理分组，across()直接定位所有需要填充的变量。
• cur_data()自动获取当前分组的数据，无需手动筛选。
• 代码更简洁，可读性和维护性更强。

为什么你的原代码不工作？ #

总结下原代码的核心问题：

1. 动态赋值错误: mutate(rlang::sym(n) = ...)的写法无效，dplyr无法识别这里的动态列名，必须用!!sym(n) := ...。
2. 缺少反引用: 在lm公式和ifelse判断中，rlang::sym(n)没有用!!反引用，导致R把它当成字面变量名，而不是替换成v1或v5。
3. 未保存修改结果: 管道操作生成了新的数据框，但没有赋值回df，所以循环结束后df完全没有变化。

内容的提问来源于stack exchange，提问作者Alien