使用tidyverse在R中按条件快速修改多列数据

问题描述 #

我有一个数据集，每个个体由唯一的code变量标识，但存在部分重复行（即code相同），且这些重复行的其他列值略有差异。需要根据条件将特定重复行的指定列值设为NA：当code == "B"且col4 == 300时，将col2至col30的所有列值设为NA。

示例数据集 #

library(tidyverse)
df <- tibble(
  code = c("A", "B", "B", "C", "D", "D"),
  col1 = c(1, 2, 3, 3, 4, 4),
  col2 = c(10, 20, 20, 30, 40, 40),
  col3 = c("X", "Y", "Y", "Z", "W", "W"),
  col4 = c(100, 200, 300, 400, 500, 600),
  col5 = c(1000, 2000, 3000, 4000, 5000, 6000),
  col30 = c("X", "Y", "Y", "Z", "W", "W")
)

目标结果 #

code   col1  col2 col3   col4  col5 col30
  <chr> <dbl> <dbl> <chr> <dbl> <dbl> <chr>
1 A         1    10 X       100  1000 X    
2 B         2    20 Y       200  2000 Y    
3 B         3    NA NA       NA    NA NA   
4 C         3    30 Z       400  4000 Z    
5 D         4    40 W       500  5000 W    
6 D         4    40 W       600  6000 W 

高效解决方案 #

你当前的方案使用了group_by+mutate_at，但分组操作会增加大数据集的处理开销，且mutate_at是旧语法。以下是两种更高效的实现方式：

方法1：dplyr（推荐，语法简洁） #

无需分组，直接用across配合行级条件判断，性能优于旧语法：

df_processed <- df %>%
  mutate(
    across(col2:col30, ~if_else(code == "B" & col4 == 300, NA, .x))
  )

# 输出结果
df_processed

优化点说明

• 移除不必要的group_by/ungroup：你的条件是行级判断，仅依赖当前行的code和col4值，完全不需要分组，分组会额外消耗计算资源。
• 使用across替代mutate_at：across是dplyr 1.0.0+的推荐语法，性能更优，且完美支持col2:col30这种列范围选择器（你之前的尝试可能是语法错误，across完全兼容该选择器）。
• 用if_else替代ifelse：if_else是类型安全的函数，比基础R的ifelse性能更好，尤其在处理大规模数据时。

方法2：data.table（极致性能，适合超大数据集） #

如果数据集行数在百万级以上，data.table的修改型赋值会比dplyr快很多，因为它不需要复制整个数据集：

library(data.table)

# 转换为data.table格式
dt <- as.data.table(df)

# 定义需要更新的列范围
cols_to_update <- paste0("col", 2:30)

# 条件赋值：仅匹配条件的行才会被修改
dt[code == "B" & col4 == 300, (cols_to_update) := NA]

# 输出结果
dt

优势说明

data.table采用原地修改（可通过copy(dt)避免修改原数据）的方式，只处理符合条件的行和列，内存开销远低于dplyr，在超大数据集下速度提升非常明显。

内容的提问来源于stack exchange，提问作者sirnuff