R语言使用自定义函数为DataFrame新增列时apply报错解决

两个核心错误直接触发了你看到的警告和报错：

• apply()的第三个参数要求传入函数对象本身，你写的fun(dt$value)是提前把整个value列（长度为数据表行数的向量）直接传入了自定义函数。R原生的if/else结构、你代码里用的&&运算符都只能处理单值逻辑判断，传入长度大于1的向量时，只会取第一个元素做判断，对应你看到的the condition has length > 1 and only the first element will be used警告；如果向量里存在缺失值NA，判断逻辑无法返回TRUE/FALSE布尔值，就会抛出missing value where TRUE/FALSE needed的错误。
• 你的需求仅需要对value单列做值映射，用apply(,1,)逐行遍历整个数据框是非常低效的写法，数据量稍大就会有明显的性能问题，完全没有必要。

按推荐优先级从高到低排列： #

方法1：用原生向量化函数cut实现（首选） #

这是R语言针对区间分箱场景的原生实现，没有逐行循环的性能损耗，万行以上数据运行速度比apply快几十到上百倍，不需要写自定义函数，直接匹配你的判断规则即可：

dt$newcolumn <- cut(
  dt$value,
  breaks = c(-Inf, 10, 30, 50, Inf),
  labels = c("white", "yellow", "red", "black"),
  right = FALSE # 匹配左闭右开的判断规则：x<10、10≤x<30、30≤x<50、x≥50
)

方法2：改造自定义函数为向量化版本 #

如果要保留自定义判断逻辑的可读性，可以把函数改造成支持向量输入的版本，直接传入整列赋值即可，不需要调用apply：
如果可以调用dplyr包，用case_when写判断逻辑可读性最高：

library(dplyr)
fun <- function(x) {
  case_when(
    x < 10 ~ "white",
    x >= 10 & x < 30 ~ "yellow",
    x >= 30 & x < 50 ~ "red",
    TRUE ~ "black"
  )
}
# 直接传入整列赋值
dt$newcolumn <- fun(dt$value)

不想加载第三方包的话，用基础R的ifelse嵌套也可以实现同样的向量化效果：

fun <- function(x) {
  ifelse(x < 10, "white",
         ifelse(x < 30, "yellow",
                ifelse(x < 50, "red", "black")))
}
dt$newcolumn <- fun(dt$value)

方法3：修正apply的错误写法（不推荐） #

仅作为错误写法的修正参考，这种逐行遍历全表的写法性能极差，非必要不要用：

# 注意：apply遍历数据框时会强制把所有值转为字符型，取value列后要先转回数值
dt$newcolumn <- apply(dt, 1, function(row) {
  val <- as.numeric(row["value"])
  if(val < 10) {return ("white")
  } else if (val >= 10 && val < 30) {
    return ("yellow")
  } else if (val >= 30 && val < 50) {
    return ("red")
  } else {
    return ("black")
  }
})

如果你的value列本身存在NA值，上述所有方法返回的新列对应位置默认会是NA，不会触发报错。如果需要给缺失值单独指定填充值，在判断逻辑最前面加一层is.na(x)的分支判断即可。

内容的提问来源于stack exchange，提问作者Geek_Nerdy93