求R语言中Python的np.select(conditions, choices)等价实现方案

1. 使用dplyr的case_when()（tidyverse生态首选） #

这是最贴近np.select逻辑的方法，支持多组互斥条件，语法直观，完全适配条件数量动态变化的场景。

示例代码：

library(dplyr)

# 构造示例数据框
df <- tibble(
  value = c(10, 25, 30, 5, 15)
)

# 定义动态条件和对应选择项
conditions <- list(
  df$value < 10,
  df$value >= 10 & df$value < 20,
  df$value >= 20
)
choices <- list(
  "低",
  "中",
  "高"
)

# 批量配对条件与选择项，添加兜底默认值
df <- df %>%
  mutate(category = case_when(
    !!!purrr::map2(conditions, choices, ~ .x ~ .y),
    TRUE ~ "未知"
  ))

封装成函数时，直接将conditions和choices作为参数传入即可。

2. Base R原生实现（无需额外依赖） #

不想加载第三方包的话，这两种方法可以覆盖绝大多数场景：

方法A：findInterval()处理数值区间条件 #

如果条件是基于连续数值区间的互斥判断，这个方法高效简洁：

df$category <- c("低", "中", "高")[findInterval(df$value, c(-Inf, 10, 20))]

方法B：通用逻辑索引法 #

适配任意类型的互斥条件，通过矩阵索引实现：

# 将条件转为逻辑矩阵
cond_matrix <- do.call(cbind, conditions)
# 定位每行第一个满足的条件位置
match_idx <- max.col(cond_matrix, ties.method = "first")
# 匹配选择项，兜底赋值默认值
df$category <- choices[match_idx]
df$category[is.na(match_idx)] <- "未知"

3. 使用data.table的fcase()（大数据场景最优） #

处理超大规模数据框时，fcase()的性能远超上述方法，语法和case_when接近：

library(data.table)
setDT(df)

df[, category := fcase(
  value < 10, "低",
  value >= 10 & value < 20, "中",
  value >= 20, "高",
  default = "未知"
)]

内容的提问来源于stack exchange，提问作者dsqubitdo