如何将dplyr文本处理代码改写为支持传入列参数的通用函数

实现思路 #

• dplyr 1.0+ 版本提供的across()函数原生支持传入字符向量选择列，配合.names参数可以灵活生成新列名，无需手动实现复杂的tidyeval语法即可完成需求。
• 先将重复的文本处理逻辑抽为独立函数，再通过across()批量应用到目标列即可。

完整实现代码 #

library(tidyverse)
library(tm)
library(glue)
library(stringi)

# 单条文本处理逻辑
process_single_text <- function(x, stopwords_regex) {
  x %>% 
    tolower() %>% 
    stringi::stri_trans_general("Latin-ASCII") %>% 
    str_remove_all(stopwords_regex) %>% 
    str_remove_all("[[:punct:]]") %>% 
    str_squish()
}

# 批量处理文本列的封装函数
process_text_columns <- function(df, columns_list, new_col_names = NULL) {
  # 预生成停用词正则
  stopwords_regex = paste(tm::stopwords('en'), collapse = '\\b|\\b')
  stopwords_regex = glue('\\b{stopwords_regex}\\b')
  
  # 校验新列名长度
  if (!is.null(new_col_names) && length(new_col_names) != length(columns_list)) {
    stop("new_col_names长度需与columns_list保持一致")
  }

  # 批量处理列
  res <- df %>% 
    mutate(
      across(
        .cols = all_of(columns_list),
        .fns = ~process_single_text(.x, stopwords_regex),
        .names = "{.col}_proc"
      )
    )
  
  # 若指定新列名
  if (!is.null(new_col_names)) {
    res <- res %>% 
      rename_with(~new_col_names, all_of(paste0(columns_list, "_proc")))
  }
  return(res)
}

使用示例 #

# 构造示例数据
df <- tibble(
  ocupation = c("Sink Cleaner", "Lion petter"),
  tasks = c("Cleaning the sink", "Pet the lions"),
  id = c(1, 2)
)

# 方式1：自动生成新列名，列名自动加_proc后缀
df_result1 <- process_text_columns(df, columns_list = c("ocupation", "tasks"))

# 方式2：自定义新列名
df_result2 <- process_text_columns(df, 
                                    columns_list = c("ocupation", "tasks"),
                                    new_col_names = c("processed_ocupation", "processed_tasks"))

说明 #

你需求中提到的sym/!!/!!!等语法是dplyr旧版本实现批量列操作的常用方案，现在有了across()之后大部分批量列操作场景都可以用更简洁的across()实现，不需要手动处理引号、表达式解析等问题，代码可读性和可维护性更高。

内容的提问来源于stack exchange，提问作者Juan C