使用R的dplyr生成指定列最大值列名新列的问题排查

问题背景 #

现有如下数据框，目标是新增一列var.max，记录每行中var2、var3、var4三列里数值最大的列名：

dat <- data.frame(var1 = rnorm(10), var2 = rnorm(10), var3 = rnorm(10), var4 = rnorm(10))
dat

输出：

var1        var2        var3       var4
1  -1.3784414  1.06816022  1.46578217 -0.4141153
2  -0.3272332 -0.69470574  0.02220395 -0.5502878
3   0.2559891 -0.06964848 -0.34745180  0.6399705
4   0.6029044  1.23680560 -0.72392358 -0.1990832
5   1.3097174 -0.58028595 -0.01487186 -0.8765290
6  -1.2356668  0.41330063 -1.00375989 -1.1974204
7  -0.4126320  3.83320678 -1.42059022 -0.6747575
8   1.7339653  0.58610348  0.40200428  1.4582103
9   1.2994859  1.65355306  0.75985071  0.6455882
10 -0.2353356  2.04468739 -0.11521602  0.3251901

错误代码及结果 #

使用以下代码无法得到正确结果：

library(dplyr)
dat %>%
  rowwise() %>%
  mutate(var.max = colnames(.)[which.max(c_across(var2:var4))])

输出：

# A tibble: 10 x 5
# Rowwise: 
     var1    var2    var3   var4 var.max
    <dbl>   <dbl>   <dbl>  <dbl> <chr>  
 1 -1.38   1.07    1.47   -0.414 var2   
 2 -0.327 -0.695   0.0222 -0.550 var2   
 3  0.256 -0.0696 -0.347   0.640 var3   
 4  0.603  1.24   -0.724  -0.199 var1   
 5  1.31  -0.580  -0.0149 -0.877 var2   
 6 -1.24   0.413  -1.00   -1.20  var1   
 7 -0.413  3.83   -1.42   -0.675 var1   
 8  1.73   0.586   0.402   1.46  var3   
 9  1.30   1.65    0.760   0.646 var1   
10 -0.235  2.04   -0.115   0.325 var1  

可行的两种情况 #

情况1：移除var1后代码正常运行 #

dat %>%
  select(-var1) %>%
  rowwise() %>%
  mutate(var.max = colnames(.)[which.max(c_across(var2:var4))])

输出：

# A tibble: 10 x 4
# Rowwise: 
      var2    var3   var4 var.max
     <dbl>   <dbl>  <dbl> <chr>  
 1  1.07    1.47   -0.414 var3   
 2 -0.695   0.0222 -0.550 var3   
 3 -0.0696 -0.347   0.640 var4   
 4  1.24   -0.724  -0.199 var2   
 5 -0.580  -0.0149 -0.877 var3   
 6  0.413  -1.00   -1.20  var2   
 7  3.83   -1.42   -0.675 var2   
 8  0.586   0.402   1.46  var4   
 9  1.65    0.760   0.646 var2   
10  2.04   -0.115   0.325 var2  

情况2：将var1移到最后一列后代码正常运行 #

dat %>%
  select(var2, var3, var4, var1) %>%
  rowwise() %>%
  mutate(var.max = colnames(.)[which.max(c_across(var2:var4))])

输出：

# A tibble: 10 x 5
# Rowwise: 
      var2    var3   var4   var1 var.max
     <dbl>   <dbl>  <dbl>  <dbl> <chr>  
 1  1.07    1.47   -0.414 -1.38  var3   
 2 -0.695   0.0222 -0.550 -0.327 var3   
 3 -0.0696 -0.347   0.640  0.256 var4   
 4  1.24   -0.724  -0.199  0.603 var2   
 5 -0.580  -0.0149 -0.877  1.31  var3   
 6  0.413  -1.00   -1.20  -1.24  var2   
 7  3.83   -1.42   -0.675 -0.413 var2   
 8  0.586   0.402   1.46   1.73  var4   
 9  1.65    0.760   0.646  1.30  var2   
10  2.04   -0.115   0.325 -0.235 var2 

问题根源 #

错误的核心是索引错位：

• c_across(var2:var4)返回当前行这三列的数值向量，它的索引是1（对应var2）、2（对应var3）、3（对应var4）。
• colnames(.)取的是整个数据框的列名，原数据框列顺序为var1, var2, var3, var4，所以colnames(.)[1]是var1，colnames(.)[2]是var2，以此类推。
• 当which.max返回1时，代码会取colnames(.)[1]即var1，而非我们需要的var2，导致列名匹配错误。

当移除var1或把var1移到最后时，数据框列顺序变为var2, var3, var4（或var2, var3, var4, var1），此时colnames(.)[1]对应var2，索引匹配正确，结果自然正常。

解决方法 #

提供几种简洁的修正方案：

方案1：直接指定目标列名向量 #

dat %>%
  rowwise() %>%
  mutate(var.max = c("var2", "var3", "var4")[which.max(c_across(var2:var4))])

方案2：从c_across结果中取列名 #

dat %>%
  rowwise() %>%
  mutate(var.max = names(c_across(var2:var4))[which.max(c_across(var2:var4))])

方案3：使用pick()更清晰地选择列 #

dat %>%
  rowwise() %>%
  mutate(var.max = names(pick(var2:var4))[which.max(pick(var2:var4))])

方案4：向量化方法（无需rowwise，效率更高） #

dat %>%
  mutate(var.max = colnames(select(., var2:var4))[max.col(select(., var2:var4))])

内容的提问来源于stack exchange，提问作者erc