在dplyr的mutate中使用case_when：为何计算时而用行值时而用整列？

我需要在两个变量满足条件时创建新变量，取另外两个变量的每行较小值（实际是日期，这里用数值简化示例）。但用first(sort(c(var1,var2)))时，得到的是整个数据框中这两个变量的全局最小值，而非每行的最小值；但var1 * var2却能按行计算。

测试代码如下：

library(dplyr)
starwars %>% 
  mutate(
    new_var = 
      case_when(
       hair_color == "brown" & eye_color == "brown" ~ first(sort(c(birth_year, mass)))
      ),
    new_var2 = 
      case_when(
        hair_color == "brown" & eye_color == "brown" ~ birth_year * mass 
      )
   ) %>% 
  select ( name, hair_color, eye_color, mass, birth_year, new_var, new_var2) %>% 
  filter(hair_color == "brown" & eye_color == "brown")

简化输出：

# A tibble: 9 × 7
  name                  hair_color eye_color  mass birth_year new_var new_var2
  <chr>                 <chr>      <chr>     <dbl>      <dbl>   <dbl>    <dbl>
1 Leia Organa           brown      brown        49         19       8      931
2 Han Solo              brown      brown        80         29       8     2320
3 Arvel Crynyd          brown      brown        NA         NA       8       NA
4 Wicket Systri Warrick brown      brown        20          8       8      160

原因解释 #

• c(birth_year, mass)会把两列的所有值合并成一个全局向量，而非按行配对。之后sort()对这个全局向量排序，first()取排序后的第一个值，也就是整个数据框中birth_year和mass的全局最小值（此处为8），因此所有符合条件的行都得到同一个值。
• birth_year * mass属于dplyr支持的向量化逐元素运算：每一行的birth_year和mass对应相乘，自然得到每行的结果。

实现按行取最小值的方法 #

方法1：使用pmin()函数（推荐） #

pmin()是R内置的向量化函数，专门用于按行取多个向量的最小值，默认保留NA，可通过na.rm=TRUE调整NA处理逻辑。

修改后的代码：

library(dplyr)
starwars %>% 
  mutate(
    new_var = 
      case_when(
       hair_color == "brown" & eye_color == "brown" ~ pmin(birth_year, mass, na.rm = FALSE)
      ),
    new_var2 = 
      case_when(
        hair_color == "brown" & eye_color == "brown" ~ birth_year * mass 
      )
   ) %>% 
  select(name, hair_color, eye_color, mass, birth_year, new_var, new_var2) %>% 
  filter(hair_color == "brown" & eye_color == "brown")

运行后new_var将得到每行对应值的较小值：

• Leia Organa：min(19,49)=19
• Han Solo：min(29,80)=29
• Arvel Crynyd：NA（两列均为NA）
• Wicket Systri Warrick：min(8,20)=8

方法2：使用rowwise()（适合复杂行操作） #

如果需要执行更复杂的行级运算，可以用rowwise()让dplyr按行处理数据，注意处理后要取消分组：

library(dplyr)
starwars %>% 
  rowwise() %>%
  mutate(
    new_var = 
      case_when(
       hair_color == "brown" & eye_color == "brown" ~ first(sort(c(birth_year, mass)))
      ),
    new_var2 = 
      case_when(
        hair_color == "brown" & eye_color == "brown" ~ birth_year * mass 
      )
   ) %>% 
  ungroup() %>% # 务必取消按行分组，避免后续运算异常
  select(name, hair_color, eye_color, mass, birth_year, new_var, new_var2) %>% 
  filter(hair_color == "brown" & eye_color == "brown")

注意：rowwise()会降低运算效率，数据量大时优先使用pmin()这类向量化函数。

内容的提问来源于stack exchange，提问作者PStaus