R语言dplyr自定义函数统计变量缺失值结果错误如何解决

需求与初始测试 #

需要构建自定义函数，实现基于指定参考变量的非缺失值子集，统计目标变量缺失值数量的功能，初始测试数据集构造代码如下：

library(dplyr)
var1=c(1:10,rep(NA,5))
var2=c(rep(NA,10), 21:25)
var3=as.factor(c(rep(NA,3), rep("V",8), rep("U",4)))
var4<-c(rep(NA,3), 1:9,rep(NA,3))
data <- data.frame(var1,var2,var3,var4)

直接运行管道代码可以得到正确结果，逻辑为：先筛选参考变量非缺失的行，再统计目标变量的缺失值计数：

# 筛选var3非缺失行，统计var2缺失值
data %>% filter(!is.na(var3)) %>% summarise(Missing=sum(is.na(var2)))
# 筛选var2非缺失行，统计var4缺失值
data %>% filter(!is.na(var2)) %>% summarise(Missing=sum(is.na(var4)))

遇到的问题 #

将上述逻辑封装为自定义函数后运行结果不符合预期，初始错误封装代码如下：

count_missing <- function(data,a,b) {
  data %>% filter(!is.na(a)) %>% summarise(Missing=sum(is.na(b)))
}

测试调用count_missing(data,var2,var4)时，预期返回Missing值为3，但实际返回值为6。最初误判为summarise语句未正确接收管道传入的筛选后数据。

问题原因 #

该问题和管道传值无关，本质是dplyr非标准计算的作用域问题：直接在函数内使用参数名a/b时，filter和summarise不会将参数识别为传入的数据框列名，会跳转至全局环境搜索同名对象，最终实际在原始全量数据上完成缺失值统计，因此返回全量var4的缺失值总数6，而非筛选var2非缺失行后的正确结果3。

修复方案 #

可根据参数传递习惯选择以下两种方案：

• 方案1：传入裸列名时，使用dplyr专门为自定义函数设计的双大括号{{}}（拥抱运算符）包裹列参数，告知函数在传入数据的列中解析参数，修复后代码如下：

count_missing <- function(data,a,b) {
  data %>% 
    filter(!is.na({{a}})) %>% 
    summarise(Missing=sum(is.na({{b}})))
}
# 测试调用
count_missing(data,var2,var4)
# 输出 Missing=3，符合预期

• 方案2：习惯传入字符串形式列名时，使用.data代词指代传入的数据框，按索引取对应列即可，修复后代码如下：

count_missing <- function(data,a,b) {
  data %>% 
    filter(!is.na(.data[[a]])) %>% 
    summarise(Missing=sum(is.na(.data[[b]])))
}
# 测试调用（传字符串列名）
count_missing(data,"var2","var4")
# 输出 Missing=3，符合预期

内容的提问来源于stack exchange，提问作者Vu Tran