使用cut()基于列表断点批量转换数值变量为因子变量遇问题

我有一个包含多个数值变量的数据集，需要将它们转换为因子变量。断点由之前运行的模型生成，通过lapply存储在一个命名列表中，且每个变量的断点数量不同。模型生成的参数不包含0和变量最大值，必须手动传入cut()函数，否则输出结果异常。我尝试了dplyr的mutate(across)方法和data.table结合.SDcols与lapply的方法，但生成的结果均无效；手动逐列处理可正常运行，难道只能使用for循环解决该问题？

示例数据 #

V1 <- runif(100)
V2 <- runif(100)
V3 <- runif(100)
df <- data.frame(V1, V2, V3)
cutlist <- list(c(0.1), c(0.3, 0.4), c(0.1, 0.5, 0.6))
names(cutlist) <- c("V1","V2","V3")

尝试的无效代码 #

dplyr 版本 #

df %>%
  mutate(
    across(.cols = names(cutlist),
           .fns = ~cut(.x, breaks = c(0, cutlist[which(names(cutlist) == names(.x))], max(.x, na.rm=T))),
           .names = "{.col}_cuts")
  )

data.table 版本 #

out_cols = paste0(names(cutlist),".cut")
df[, c(out_cols) := lapply(.SD, function(x){cut(x, 
                                                   breaks = c(0, cutlist[which(names(cutlist) == names(x))], 
                                                              max(x, na.rm=T)))}), 
      .SDcols = names(cutlist)]

可正常运行的手动处理代码 #

df$V1.cut <- cut(df$V1,breaks=c(0, 
             cutlist$V1, max(df$V1, na.rm=T)))

请问我忽略了什么？

问题根源 #

你忽略了一个关键细节：在across的匿名函数里，.x是当前列的数值向量，它本身没有数据框的列名（names(.x)返回的是向量元素的名字，而非列名）；同理，data.table的lapply(.SD, function(x))里的x也是单个列的向量，names(x)同样不是数据框的列名。这就导致which(names(cutlist) == names(.x))永远匹配不到正确的断点，最终传入cut()的breaks参数完全错误。

修正后的解决方案 #

dplyr 实现 #

利用cur_column()函数获取当前处理的列名，直接匹配cutlist中的对应元素：

df %>%
  mutate(
    across(
      all_of(names(cutlist)),
      ~cut(.x, breaks = c(0, cutlist[[cur_column()]], max(.x, na.rm = TRUE))),
      .names = "{.col}_cuts"
    )
  )

data.table 实现 #

用Map函数将列数据和对应的断点一一配对处理，避免依赖向量的名字：

library(data.table)
setDT(df)
out_cols <- paste0(names(cutlist), ".cut")
df[, (out_cols) := Map(
  function(col_data, col_breaks) {
    cut(col_data, breaks = c(0, col_breaks, max(col_data, na.rm = TRUE)))
  },
  .SD, 
  cutlist[names(.SD)]
), .SDcols = names(cutlist)]

以上两种方法都能正确批量生成符合要求的因子列，无需使用for循环。

内容的提问来源于stack exchange，提问作者Wafa