使用dplyr为data.frame新增列时读取CSV行数报错问题排查

问题场景 #

现有一个包含植物拉丁名的data.frame，同时有存储GBIF下载数据的GBIF_data文件夹，其中CSV文件以替换空格为下划线的植物拉丁名命名。已通过字符串操作生成CSVPATH列（示例路径如../GBIF_data/Lycopodium_cernuum.csv），尝试用dplyr::mutate新增OCCURRENCES列，存储对应CSV文件的行数，代码如下：

read.csv("data.csv") %>%
  mutate(OCCURRENCES = nrow(read.delim(CSVPATH))) # GBIF的CSV用制表符分隔，所以用read.delim

运行时报错：

Error in `mutate()`:
! Problem while computing `OCCURRENCES = nrow(read.delim(CSVPATH))`.
Caused by error in `h()`:
! error in evaluating the argument 'x' in selecting a method for function 'nrow': invalid 'description' argument

失效原因 #

dplyr::mutate是向量化操作，会把整个CSVPATH列（字符向量）直接传给read.delim，但read.delim本身不支持接收向量格式的文件路径——它只期望单个字符串路径，传入向量会导致函数无法正确解析，进而让nrow接收到无效参数，最终触发报错。

解决方案 #

有两种常用的修复方式：

方式1：用rowwise()逐行处理 #

通过rowwise()让mutate对每一行单独执行文件读取逻辑，确保每次read.delim只接收单个路径：

library(dplyr)

read.csv("data.csv") %>%
  rowwise() %>%
  mutate(OCCURRENCES = nrow(read.delim(CSVPATH, stringsAsFactors = FALSE))) %>%
  ungroup() # 处理完记得取消逐行模式，避免后续操作性能问题

方式2：用purrr::map_int向量化处理 #

借助purrr包的map_int函数，对CSVPATH向量中的每个路径单独计算行数，返回整数向量直接赋值给新列：

library(dplyr)
library(purrr)

read.csv("data.csv") %>%
  mutate(OCCURRENCES = map_int(CSVPATH, ~nrow(read.delim(.x, stringsAsFactors = FALSE))))

优化建议 #

如果CSV文件较大，读取整个文件只为获取行数会很耗时，可以用更高效的方式统计行数（无需加载整个文件）：

# 自定义高效统计行数的函数
count_lines <- function(path) {
  con <- file(path, "r")
  on.exit(close(con))
  # GBIF CSV通常第一行是表头，所以统计行数后减1
  length(readLines(con)) - 1
}

# 结合map_int使用
read.csv("data.csv") %>%
  mutate(OCCURRENCES = map_int(CSVPATH, count_lines))

内容的提问来源于stack exchange，提问作者passiflora