基于规则批量计算data.frame新列的最优实现方案

我经常收到宽格式的data.frame数据，示例如下：

head(data)
         date       NSW_1       AUS_1        NSW_2      AUS_2
1  2000-01-01 -0.38358623 -1.78824221  0.995984590  1.0744594
2  2001-01-01 -1.95910318  2.03124252 -1.695764903  0.2605978
3  2002-01-01 -0.84170506 -0.70314433 -0.533372143 -0.3142720
4  2003-01-01  1.90354747  0.15816476 -1.372269451 -0.7496301
5  2004-01-01  0.62249393  0.50623480 -2.207919779 -0.8621983
6  2005-01-01  1.99092044 -0.81999511  1.822122519  2.0480403

需要根据预定义的规则生成大量新列，规则示例如下：

NSW_3 = NSW_1 + NSW_2
AUS_3 = NSW_1 + AUS_2
NET_1 = NSW_1 + AUS_1 - AUS_2
...

目前我用Base R逐个赋值的方式实现：

data$NSW_3 = data$NSW_1 + data$NSW_2
data$AUS_3 = data$NSW_1 + data$AUS_2
data$NET_1 = data$NSW_1 + data$AUS_1 - data$AUS_2
...

但实际数据包含数千列、数百行，需要生成数百个新列，且规则已存储为文本格式，无固定模式，同时因下游依赖无法变更工作流，求清洁、易维护的最优实现方案。

示例数据结构：

structure(list(date = structure(c(10957, 11323, 11688, 12053, 
12418, 12784, 13149, 13514, 13879, 14245, 14610, 14975, 15340, 
15706, 16071, 16436, 16801, 17167, 17532, 17897), class = "Date"), 
    NSW_1 = c(1.24119982707737, 0.138858419103515, 1.71063158823657, 
    -0.430640974722993, -1.04422958092706, 0.537579524580529, 
    -0.669585987150229, 0.638805611438309, -1.72398983449257, 
    -1.74243008034091, 0.689804173282994, 0.330963177173467, 
    0.871067708948055, -2.01624558221344, 1.21257910351036, 1.20049469882194, 
    1.03206832593544, 0.786410256177216, 2.11007351377927, -1.45380984681329
    ), AUS_1 = c(-0.58310384813065, 0.409723982550305, -0.806981635414238, 
    0.0855504408545073, 0.746243168639741, -0.653673061331084, 
    0.657105983301959, 0.549909235009709, -0.806729358432671, 
    -0.997379717276235, 0.97589063842626, -0.169423180700716, 
    0.72219177943747, -0.844418606912503, 1.27729368500115, -1.34311054918022, 
    0.765340668860696, 0.464202569980373, 0.267993278040529, 
    0.667522687135242), NSW_2 = c(0.398467283863779, -0.638071030930068, 
    -0.267712904023511, 0.359879564885712, -1.31286609394071, 
    -0.883969609668706, 2.07709479458465, -2.09922563220098, 
    -1.23850596532828, 0.990433089664036, 1.08866186319808, 0.839852254188259, 
    0.0568586386833875, 0.32387805118027, -0.904668667590953, 
    -0.65218384837012, -0.262454637960949, -0.934662840905703, 
    0.821161212634175, -1.62425917345994), AUS_2 = c(-1.03040366948029, 
    -1.261929311973, 0.39218462589648, -1.13143826165372, 0.544144484008162, 
    1.17660893473457, 0.0252285692390373, 0.515133169692034, 
    -0.654109760017422, 0.503641990827566, -1.2721192223284, 
    -0.0767711536986575, -1.34531937567941, -0.266317560246187, 
    1.08756299501947, 0.700567795415207, -0.4427595146404, -0.78851996588786, 
    -0.856775709774438, -0.746419014623393)), class = "data.frame", row.names = 
c(NA, -20L))

方法1：Base R结合eval(parse)循环实现 #

这种方法直接利用Base R的解析和求值功能，适配现有文本规则：

1. 将规则存储为字符向量：

rules <- c(
  "NSW_3 = NSW_1 + NSW_2",
  "AUS_3 = NSW_1 + AUS_2",
  "NET_1 = NSW_1 + AUS_1 - AUS_2"
)

2. 循环遍历规则，转换为赋值表达式执行：

for (rule in rules) {
  # 将规则转换为针对data的赋值表达式
  expr <- parse(text = paste0("data$", gsub(" = ", " <- ", rule)))
  eval(expr)
}

优点：无需额外安装包，完全基于Base R，代码简洁直接，适配任意格式的文本规则。
注意事项：eval(parse)存在注入风险，仅适合使用可信来源的规则。

方法2：dplyr+rlang实现安全批量赋值 #

如果偏好tidyverse风格，可使用rlang的准引用机制避免直接解析风险：

1. 加载所需包：

library(dplyr)
library(rlang)

2. 定义批量添加列的函数：

add_columns_from_rules <- function(data, rules) {
  for (rule in rules) {
    # 拆分规则为列名和表达式
    parts <- strsplit(rule, " = ")[[1]]
    col_name <- parts[1]
    expr_str <- parts[2]
    
    # 将字符串转换为可执行表达式
    expr <- parse_expr(expr_str)
    
    # 添加新列
    data <- data %>% mutate(!!sym(col_name) := !!expr)
  }
  return(data)
}

# 调用函数生成新列
data <- add_columns_from_rules(data, rules)

优点：符合tidyverse代码风格，避免直接eval(parse)的潜在风险，更适合长期维护。

方法3：规则文件批量读取处理 #

若规则存储在文本文件（每行一个规则），可先读取再执行：

# 读取规则文件
rules <- readLines("rules.txt")

# 使用上述任意方法执行规则

• 仅需Base R环境时，方法1是最优选择，代码量少且高效。
• 使用tidyverse生态时，方法2更规范，安全性更高。
• 两种方法处理数百个新列的效率差异可忽略，均能适配大数据量场景。

内容的提问来源于stack exchange，提问作者diomedesdata