基于变量名参考表批量计算时间差的R语言实现问题

先构造示例数据 #

先匹配你的场景生成可复现的测试数据：

library(dplyr)
library(purrr)

# 变量名参考表：新列名、参与计算的两个日期列名
stage_refs <- tibble(
  new_col = c("time diff 1", "time diff 2", "time diff 3", "time diff 4"),
  col_a = c("Order Created Date", "Payment Confirmed Date", "Goods Shipped Date", "Delivery Completed Date"),
  col_b = c("Payment Confirmed Date", "Goods Shipped Date", "Delivery Completed Date", "Return Request Date")
)

# 带缺失值的日期数据框
date_values <- tibble(
  `Order Created Date` = as.Date(c("2024-01-01", "2024-01-03", NA, "2024-01-05")),
  `Payment Confirmed Date` = as.Date(c("2024-01-02", NA, "2024-01-04", "2024-01-06")),
  `Goods Shipped Date` = as.Date(c("2024-01-04", "2024-01-05", "2024-01-06", NA)),
  `Delivery Completed Date` = as.Date(c("2024-01-07", "2024-01-08", NA, "2024-01-10")),
  `Return Request Date` = as.Date(c(NA, "2024-01-09", "2024-01-11", "2024-01-12"))
)

问题1：解决非标准求值问题 #

核心问题是字符串格式列名的引用，不用纠结!!或{{ }}（这些针对裸变量名），直接用.data代词即可完美规避求值问题：

difftime_fun <- function(df, col1, col2) {
  # .data[[colname]]直接引用字符串对应的列，自动处理缺失值
  difftime(df[[col2]], df[[col1]], units = "days")
}

这个函数接收字符串列名，返回对应时间差向量，遇到缺失值时会自动返回NA，完全匹配你的需求。

问题2：替代循环的高效批量处理方式 #

不用循环或apply，用purrr::pmap结合dplyr::bind_cols批量生成新列，代码简洁且性能更优：

date_values_with_diff <- date_values %>%
  bind_cols(
    # 遍历stage_refs每一行，生成对应时间差列
    pmap_dfc(stage_refs, function(new_col, col_a, col_b) {
      tibble(!!new_col := difftime_fun(date_values, col_a, col_b))
    })
  )

如果偏好更紧凑的写法，也可以直接在mutate中完成：

date_values_with_diff <- date_values %>%
  mutate(
    across(stage_refs$new_col, ~ {
      # 匹配当前新列对应的原始日期列
      ref_row <- stage_refs[stage_refs$new_col == cur_column(), ]
      difftime(.data[[ref_row$col_b]], .data[[ref_row$col_a]], units = "days")
    })
  )

运行后date_values_with_diff会包含原所有日期列，以及time diff 1到time diff 4四个时间差列，缺失值自动保留为NA。

补充：大数据量场景的优化方案 #

如果数据量达百万行级别，推荐用data.table实现更快的批量处理：

library(data.table)

dt <- as.data.table(date_values)
stage_refs_dt <- as.data.table(stage_refs)

# 批量生成时间差列
stage_refs_dt[, dt[, (new_col) := difftime(get(col_b), get(col_a), units = "days")]]

这里用get()引用字符串列名，(new_col)将字符串作为列名赋值，同样解决求值问题，且处理速度远快于dplyr。

内容的提问来源于stack exchange，提问作者DeduciveR