基于条件替换数据框值：将偏离均值1倍标准差的值设为NA

问题背景 #

给定如下生成的数据框：

set.seed(10)
df <- data.frame(a1 = rnorm(7), b1 = rnorm(7), c1 = rnorm(7), 
                 a2 = rnorm(7), b2 = rnorm(7), c2 = rnorm(7))
df <- round(abs(df), 2)
df <- df%>%mutate(group1_avg=rowMeans(across(ends_with("1"))), .after=3, 
                  group2_avg=rowMeans(across(ends_with("2"))))
df <- df%>%mutate(group1_std=rowSds(as.matrix(df[endsWith(names(df), "1")])), .after=4, 
                  group2_std=rowSds(as.matrix(df[endsWith(names(df), "2")])))
df <- df%>%relocate(group2_avg, .after=last_col())
df <- df%>%relocate(group2_std, .after=last_col())

初始数据状态：

df
    a1   b1   c1 group1_avg group1_std   a2   b2   c2 group2_avg group2_std
1 0.02 0.36 0.74  0.3733333  0.3601851 2.19 0.10 1.44  1.2433333  1.0587886
2 0.18 1.63 0.09  0.6333333  0.8643109 0.67 0.25 0.36  0.4266667  0.2177919
3 1.37 0.26 0.95  0.8600000  0.5604463 2.12 1.85 1.76  1.9100000  0.1873499
4 0.60 1.10 0.20  0.6333333  0.4509250 1.27 0.08 0.32  0.5566667  0.6293118
5 0.29 0.76 0.93  0.6600000  0.3315117 0.37 0.97 0.65  0.6633333  0.3002221
6 0.39 0.24 0.48  0.3700000  0.1212436 0.69 0.18 1.09  0.6533333  0.4561067
7 1.21 0.99 0.60  0.9333333  0.3089229 0.87 1.38 0.76  1.0033333  0.3308071

需求 #

• 对第一组数值列（示例中a1-c1）：若值超出group1_avg ± group1_std范围，设为NA，否则保留原值
• 对第二组数值列（示例中a2-c2）：执行相同逻辑，对应group2_avg和group2_std
• 要求通过列范围而非列名指定目标列，避免依赖列名变化

目标效果 #

df
    a1   b1   c1 group1_avg group1_std   a2   b2   c2 group2_avg group2_std
1 0.02 0.36  NA   0.3733333  0.3601851 2.19  NA  1.44  1.2433333  1.0587886
2 0.18  NA  0.09  0.6333333  0.8643109  NA  0.25 0.36  0.4266667  0.2177919
3 1.37  NA  0.95  0.8600000  0.5604463  NA  1.85 1.76  1.9100000  0.1873499
4 0.60  NA  0.20  0.6333333  0.4509250  NA  0.08 0.32  0.5566667  0.6293118
5  NA  0.76  NA   0.6600000  0.3315117  NA   NA  0.65  0.6633333  0.3002221
6 0.39 0.24 0.48  0.3700000  0.1212436 0.69  NA  1.09  0.6533333  0.4561067
7 1.21 0.99  NA   0.9333333  0.3089229 0.87  NA  0.76  1.0033333  0.3308071

解决方案代码 #

library(dplyr)
library(matrixStats)

# 执行数据清洗
df_processed <- df %>%
  mutate(
    # 处理第一组：列1-3，参考列4（group1_avg）和列5（group1_std）
    across(1:3, ~ifelse(.x >= (group1_avg - group1_std) & .x <= (group1_avg + group1_std), .x, NA)),
    # 处理第二组：列6-8，参考列9（group2_avg）和列10（group2_std）
    across(6:8, ~ifelse(.x >= (group2_avg - group2_std) & .x <= (group2_avg + group2_std), .x, NA))
  )

# 查看处理后结果
df_processed

代码说明 #

1. 批量列处理：用dplyr::across()指定列范围（如1:3），无需依赖列名，适配列顺序变化场景
2. 范围判断逻辑：通过ifelse()检查每个值是否落在均值±标准差区间内，超出则替换为NA
3. 灵活调整：若列顺序发生变化，只需修改across()中的列索引，以及对应均值/标准差的引用位置即可

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