如何在多个DataFrame中批量执行mutate操作以减少冗余代码？

要避免重复写相同的mutate代码，核心思路是把重复的处理逻辑封装成函数，再批量应用到所有DataFrame上，下面是几种实用的实现方式：

方法1：封装自定义处理函数，逐个调用 #

先把你需要的mutate逻辑写成一个可复用的函数，之后直接对每个DataFrame调用该函数即可：

library(dplyr)

# 定义统一的DataFrame处理函数
process_df <- function(df) {
  df %>% 
    mutate(a = round(a, 1),
           b = round(b, 2))
}

# 初始化数据
df1 <- tibble(a = 0.125068, b = 0.144623)
df2 <- tibble(a = 0.226018, b = 0.423600)

# 应用处理函数
df1 <- process_df(df1)
df2 <- process_df(df2)

方法2：用列表批量处理（适合DataFrame数量多的场景） #

如果要处理的DataFrame数量较多，把它们放进列表里批量处理更高效，最后还可以按需恢复单个DataFrame对象：

# 将所有需要处理的DataFrame放入列表
df_list <- list(df1 = df1, df2 = df2)

# 批量执行处理逻辑
processed_dfs <- lapply(df_list, process_df)

# 从处理后的列表中提取单个DataFrame（可选操作）
df1 <- processed_dfs$df1
df2 <- processed_dfs$df2

方法3：用across进一步简化变量处理逻辑 #

如果后续需要调整变量的处理规则，用across结合命名列表可以让代码更灵活，修改规则时只需更新列表即可：

process_df <- function(df) {
  # 定义每个变量的保留小数位数
  round_rules <- list(a = 1, b = 2)
  
  df %>% 
    mutate(
      across(
        all_of(names(round_rules)), 
        ~round(.x, round_rules[[cur_column()]])
      )
    )
}

以上方法的优势在于：后续如果要修改a或b的处理规则，只需要修改process_df函数里的逻辑，不用逐个修改每个DataFrame的mutate代码，大幅减少冗余和维护成本。

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