R语言如何无需rowwise，在管道工作流中用case_when高效匹配大量条件？

问题根源 #

你定义的is_good_car是标量处理函数，仅支持传入长度为1的x。当你直接传入整个列向量时，R会触发向量循环补齐规则抛出警告，且any()会对全列的比较结果统一判断，仅返回单个逻辑值，导致所有行的判断结果异常。rowwise虽然可以强制逐行运算，但运算开销远高于向量化操作，不适合万行级以上的数据集。

方案1：优先使用内置向量化操作（性能最优） #

针对你提到的「判断值是否属于指定集合」的场景，R原生的%in%运算符本身就是完全向量化的，底层为C实现，处理百万行级数据也无压力，完全不需要自定义函数和逐行运算：

library(dplyr)

mtcars %>%
  mutate(car = rownames(.)) %>%
  as_tibble() %>%
  mutate(
    good_cars = case_when(
      car %in% c("Mazda RX4", "Datsun 710", "Valiant") ~ "good",
      TRUE ~ "rubbish"
    )
  ) %>%
  select(car, good_cars)

该方案输出与rowwise得到的正确结果完全一致，运算速度是所有方案中最快的。对于你提到的数值区间集合判断，为了避免生成超大向量占用内存，也可以写成向量化的区间判断逻辑：(x >=1 & x <=999) | (x >=3000 & x <=200000) | (x >=250000 & x <=250100)，性能比直接生成全量集合向量更高。

方案2：通用标量函数迭代方案 #

如果你的自定义判断逻辑比较复杂，无法用内置向量化函数改写，可以用purrr::map_lgl逐元素迭代运算，性能远高于rowwise：

library(dplyr)
library(purrr)

# 原自定义函数无需修改
is_good_car <- function(x){
  any(
    x == c(
      "Mazda RX4",
      "Datsun 710",
      "Valiant"
    )
  )
}

mtcars %>%
  mutate(car = rownames(.)) %>%
  as_tibble() %>%
  mutate(
    good_cars = case_when(
      map_lgl(car, is_good_car) ~ "good",
      TRUE ~ "rubbish"
    )
  ) %>%
  select(car, good_cars)

方案3：函数向量化包装 #

你也可以直接用Vectorize()将原标量函数包装为向量化函数，之后可以直接传入列向量调用：

library(dplyr)

is_good_car <- function(x){
  any(
    x == c(
      "Mazda RX4",
      "Datsun 710",
      "Valiant"
    )
  )
}
# 包装为向量化函数
is_good_car_vec <- Vectorize(is_good_car)

mtcars %>%
  mutate(car = rownames(.)) %>%
  as_tibble() %>%
  mutate(
    good_cars = case_when(
      is_good_car_vec(car) ~ "good",
      TRUE ~ "rubbish"
    )
  ) %>%
  select(car, good_cars)

万行级数据集下，方案1的运算速度是rowwise的数百倍，方案2、3的运算速度是rowwise的数十倍，完全可以满足你的性能需求。

内容的提问来源于stack exchange，提问作者Scransom