如何基于参数向dplyr管道中动态添加函数调用

针对你需要通过参数动态控制管道内函数调用的需求，这里提供两种贴合tidyverse生态的实现方式，既满足cols参数的动态控制，也能适配你“每个列对应独立转换步骤”的核心要求：

方法一：用purrr::reduce串联独立mutate步骤 #

这种方式严格对应“每个cols元素对应一次mutate调用”的逻辑，通过遍历生成单个mutate处理函数，再用reduce把它们依次接入管道：

library(dplyr)
library(purrr)

scale_cols_dynamic <- function(df, cols) {
  # 为每个目标列生成独立的mutate处理函数
  mutate_funs <- map(cols, function(col) {
    # 构造新列名和转换表达式
    new_col <- paste0(col, "_scaled")
    transform_expr <- expr(!!sym(new_col) := scale(!!sym(col)))
    # 返回包含单个mutate的函数
    function(data) data %>% mutate(!!transform_expr)
  })
  
  # 用reduce把所有mutate步骤串联到数据管道中
  df %>% reduce(mutate_funs, .init = .)
}

# 调用示例
mtcars %>% 
  head() %>% 
  scale_cols_dynamic(cols = c("mpg", "hp", "wt"))

方法二：用dplyr::across简化实现（推荐） #

虽然你提到知道多次mutate不是最优写法，但还是要说明：dplyr的across可以一次性处理所有目标列，效果和多次mutate完全一致，但代码更简洁高效，同样满足动态参数控制需求：

library(dplyr)

scale_cols_across <- function(df, cols) {
  df %>%
    mutate(across(all_of(cols), ~scale(.), .names = "{col}_scaled"))
}

# 调用示例，效果与方法一完全一致
mtcars %>% 
  head() %>% 
  scale_cols_across(cols = c("mpg", "hp", "wt"))

补充说明 #

• 两种方法均无需硬编码列名，完全通过cols参数控制转换目标
• 若业务逻辑确实需要每个列对应独立的mutate步骤，方法一的reduce方案完全适配；若仅需实现列转换需求，方法二的across是dplyr官方推荐的多列处理方式，性能和可读性更优

内容的提问来源于stack exchange，提问作者O Renée