dplyr中如何基于变量向量执行行级数据变换（如几何均值）

方法1：用c_across() + all_of()（dplyr 1.0.0+推荐） #

any_of()/all_of()是变量选择器，不能直接传给计算函数，要配合c_across()在rowwise()环境下按行提取数值向量：

library(dplyr)
library(psych)

myvars = c("Sepal.Length","Sepal.Width")
iris2 = iris %>% 
  rowwise() %>% 
  mutate(geo.mean = geometric.mean(c_across(all_of(myvars)))) %>% 
  ungroup() # 完成行操作后建议取消分组，避免后续操作受分组影响

c_across()专门用于在rowwise()分组中提取每行的多列数据为向量，all_of()负责从向量myvars中匹配列名，完全等价于你预期的c(Sepal.Length, Sepal.Width)写法，同时保留所有原变量。

方法2：dplyr版本兼容方案（解决1.1.0升级问题） #

如果pick()/c_across()因版本报错，可改用cur_data()提取当前行数据，再按向量筛选列：

iris2 = iris %>% 
  rowwise() %>% 
  mutate(geo.mean = geometric.mean(cur_data()[myvars])) %>% 
  ungroup()

cur_data()返回当前行的所有列数据，[myvars]直接筛选指定变量，同样能生成每行的数值向量传入计算函数。

方法3：无rowwise()的高效向量化实现 #

rowwise()在大数据集上效率偏低，可直接用apply()结合变量选择器实现：

iris2 = iris %>% 
  mutate(geo.mean = apply(select(., all_of(myvars)), 1, geometric.mean))

select(., all_of(myvars))先筛选目标列，apply(..., 1, ...)按行对筛选后的列执行几何均值计算，全程无需分组，速度更快。

内容的提问来源于stack exchange，提问作者G_biof