如何用map函数自动批量调用自定义R函数处理多列数据？

我实现了自定义函数my_function，它接收三个参数，目前通过dplyr的mutate手动为Store、Mall、Grocery分别传入对应参数生成新列。但实际场景中有大量此类列，无法手动逐个处理，希望借助map函数实现自动化批量处理，得到与手动操作一致的结果。

原代码如下：

library(dplyr)

df<-data.frame(  
              Year=c("2000","2001","2002","2003","2004","2005","2006","2007","2008","2009"),
              Sales=c(100,200,300,400,500,600,100,300,200,200),
              Store=c(100,400,300,800,900,400,800,400,300,100),
              Mall=c(100,600,300,200,200,300,200,500,200,400),
              Grocery=c(100,600,300,200,200,300,200,500,200,400),
              Building_Store=c(100,200,300,400,500,600,100,300,200,400),
              Building_Mall=c(100,400,300,800,900,400,800,400,300,600),
              Building_Grocery=c(100,600,300,200,200,300,200,500,200,400))
  
my_function <- function(x,y,z){((x-(y*lag(z))))}

# 手动调用代码
estimation<-mutate(df,
                   df_Store=my_function(Store,Sales,Building_Store),
                   df_Mall=my_function(Mall,Sales,Building_Mall),
                   df_Grocery=my_function(Grocery,Sales,Building_Grocery))

方法一：结合purrr::map实现批量处理 #

利用map思想遍历所有需要处理的类别，动态生成列名并调用函数，最终整合结果：

library(dplyr)
library(purrr)

# 定义需要处理的类别集合
categories <- c("Store", "Mall", "Grocery")

# 使用reduce+map逻辑批量生成新列
estimation_auto <- categories %>%
  reduce(function(data, cat) {
    # 动态获取当前类别对应的列名
    col_x <- sym(cat)
    col_z <- sym(paste0("Building_", cat))
    new_col_name <- paste0("df_", cat)
    
    # 调用自定义函数生成新列
    data %>% mutate(!!new_col_name := my_function(!!col_x, Sales, !!col_z))
  }, .init = df)

方法二：用dplyr::across更简洁实现 #

如果列名命名规则固定（如Building_+类别名），可以直接用across实现，代码更简洁高效：

estimation_auto <- df %>%
  mutate(
    # 遍历指定的类别列
    across(c(Store, Mall, Grocery), 
           # 对每个列调用my_function，动态匹配对应的Building_列
           ~my_function(.x, Sales, get(paste0("Building_", cur_column()))),
           # 指定新列的命名格式
           .names = "df_{.col}")
  )

验证结果 #

两种方法生成的estimation_auto和手动生成的estimation完全一致，可通过all.equal(estimation, estimation_auto)验证。

内容的提问来源于stack exchange，提问作者silent_hunter