求助：基于tidyverse实现多列条件替换的高效解决方案

需求说明 #

需要在满足特定条件时，用另一列的值替换目标列的值。示例中先手动实现了该需求，又给出了一个繁琐的程序化解决方案，但真实数据包含更多变量，且需要更复杂的条件替换，因此寻求tidyverse框架内更优雅简洁的高效实现方案。

示例数据 #

library(dplyr)
library(purrr)

set.seed(123)
df <- tibble(
  x = sample(0:1, 10, replace = T),
  x_99 = sample(3:4, 10, replace = T),
  y = sample(0:1, 10, replace = T),
  y_99 = sample(3:4, 10, replace = T)
)

df
#> # A tibble: 10 × 4
#>        x  x_99     y  y_99
#>    <int> <int> <int> <int>
#>  1     0     4     0     3
#>  2     0     4     1     4
#>  3     0     4     0     3
#>  4     1     3     0     4
#>  5     0     4     0     4
#>  6     1     3     0     3
#>  7     1     4     1     3
#>  8     1     3     1     3
#>  9     0     3     0     3
#> 10     0     3     1     4

手动实现方式 #

直接通过transmute结合ifelse逐列处理：

df |>
  transmute(
    x = ifelse(x == 0, x_99, x),
    y = ifelse(y == 0, y_99, y)
  )
#> # A tibble: 10 × 2
#>        x     y
#>    <int> <int>
#>  1     4     3
#>  2     4     1
#>  3     4     3
#>  4     1     4
#>  5     4     4
#>  6     1     3
#>  7     1     1
#>  8     1     1
#>  9     3     3
#> 10     3     1

繁琐的程序化实现 #

自定义辅助函数结合map2处理，但代码冗余且扩展性弱：

helper <- function(df, x, xnew) {
  df[df[x] == 0, ][, x] <- df[df[x] == 0, ][, xnew]
  return(tibble(df[x]))
}

col.vec1 <- c("x", "y")
col.vec2 <- paste0(col.vec1, "_99")

map2(
  col.vec1, col.vec2,
  ~ helper(df, .x, .y)
) |>
  bind_cols()
#> # A tibble: 10 × 2
#>        x     y
#>    <int> <int>
#>  1     4     3
#>  2     4     1
#>  3     4     3
#>  4     1     4
#>  5     4     4
#>  6     1     3
#>  7     1     1
#>  8     1     1
#>  9     3     3
#> 10     3     1

优雅的tidyverse实现方案 #

方案1：使用across+cur_column动态匹配列 #

利用across批量处理目标列，通过cur_column()动态生成对应替换列的名称，代码简洁且扩展性强：

df |>
  mutate(
    across(c(x, y), ~if_else(.x == 0, !!sym(paste0(cur_column(), "_99")), .x))
  ) |>
  select(x, y) # 仅保留目标列，可选

方案2：批量列名映射+imap_dfc #

通过命名向量建立目标列与替换列的映射，结合imap_dfc批量处理，适合变量较多的场景：

target_cols <- c("x", "y")
replace_cols <- paste0(target_cols, "_99")
# 建立目标列到替换列的命名映射
col_mapping <- set_names(replace_cols, target_cols)

df |>
  mutate(
    imap_dfc(col_mapping, ~if_else(df[[.y]] == 0, df[[.x]], df[[.y]]))
  )

方案3：灵活适配复杂条件 #

如果需要更复杂的替换条件，可结合case_when与across，轻松扩展多条件逻辑：

df |>
  mutate(
    across(c(x, y), ~case_when(
      .x == 0 ~ !!sym(paste0(cur_column(), "_99")),
      .x == 1 ~ .x, # 原条件
      # 可添加更多自定义条件
      TRUE ~ .x # 默认保留原值
    ))
  ) |>
  select(x, y)

这些方案均符合tidyverse的管道式编程风格，代码简洁易读，同时能轻松适配更多变量和复杂条件场景。

内容的提问来源于stack exchange，提问作者maraab