R中为dataframe现有列应用自定义函数生成新列的最优方法

现有一个dataframe，其中字符类型列存储逗号分隔的数字字符串，例如1, 2, 3, 4，需要按行对该列的每个值应用自定义函数，将得到的结果作为新列存入df。

初始示例数据 #

A B str
1 1 1, 2, 5
1 2 NA
2 1 NA
2 2 1, 3

期望输出结果 #

A B str      res
1 1 1, 2, 5  2
1 2 NA       0
2 1 NA       0
2 2 1, 3     1

自定义函数定义 #

getCounts <- function(str, x, y){
  if (is.na(str)){
    return(as.integer(0))
  }
  vec <- as.integer(unlist(strsplit(str, ',')))
  count <- 0
  for (i in vec) {
    if (i >= x & i <= y){
      count <- count + 1
    }
  }
  return(as.integer(count))
}

最初尝试使用lapply实现行级计算，参考其他技术帖子认为该函数适配当前场景，但执行持续报错，对应代码如下：

df <- df %>% mutate(res = lapply(df$str, getCounts(df$str, 0, 2)))

报错信息 #

Error: Problem with `mutate()` input `res`. x missing value where TRUE/FALSE needed i Input `res` is `lapply(df$str, getCounts(df$str, 0, 2))`

目前仅使用mapply的方式可正常运行，但不理解其工作原理，也想知道是否存在更优的实现方法，可运行的代码如下：

df <- df %>% mutate(res = mapply(getCounts, df$str, 0, 2))

1. 原lapply写法报错的原因 #

原写法存在两个核心问题：

• 调用顺序错误：lapply(X, FUN)的语法是第一个参数为待循环的向量，第二个参数为待调用的函数本身，而非函数执行后的结果。原代码相当于先一次性把整个df$str向量传给getCounts执行，而非逐行传入单个字符串值。
• 参数传递与判断逻辑不匹配：当整个df$str向量传入getCounts时，is.na(str)会返回一个长度为4的逻辑向量，if判断要求输入单个布尔值，因此直接触发missing value where TRUE/FALSE needed的报错。

2. mapply的工作原理 #

mapply是多参数版本的sapply，核心作用是按位置同时遍历多个输入向量的元素，逐个传入指定函数执行：

• 代码中mapply(getCounts, df$str, 0, 2)的逻辑为：df$str是长度为4的字符串向量，0和2是长度为1的常量向量，R会自动把短向量循环到和最长向量等长，等价于逐行执行getCounts(df$str[1], 0, 2)、getCounts(df$str[2], 0, 2)……直到遍历完所有行。
• 最终返回值为整型向量，刚好适配mutate的列赋值要求，因此可正常运行。

3. 更优实现方案 #

方案1：修正后的lapply写法 #

如果一定要用lapply，需要把函数封装为只接收单条字符串值的形式，显式把x和y作为常量传入，同时注意lapply返回列表，需要转成向量才能赋值给列：

df <- df %>% mutate(res = lapply(df$str, getCounts, x = 0, y = 2) %>% unlist())

方案2：向量化改写函数（性能最优） #

原getCounts用循环逐元素计数，效率较低，可以改成完全向量化的写法，避免逐行函数调用开销：

getCounts_vec <- function(str_vec, x, y) {
  res <- integer(length(str_vec))
  non_na_idx <- which(!is.na(str_vec))
  count_res <- str_vec[non_na_idx] %>%
    strsplit(',') %>%
    lapply(\(s) {
      vec <- as.integer(trimws(s)) # 移除字符串前后的空格，避免转整数异常
      sum(vec >= x & vec <= y)
    }) %>%
    unlist()
  res[non_na_idx] <- count_res
  return(res)
}

直接调用即可，数据量越大性能优势越明显：

df <- df %>% mutate(res = getCounts_vec(str, 0, 2))

方案3：purrr适配写法（和tidyverse生态兼容更好） #

如果已经在使用dplyr管道语法，可以用purrr::map_int直接返回整型向量，不需要额外转格式：

library(purrr)
df <- df %>% mutate(res = map_int(str, ~getCounts(.x, x = 0, y = 2)))

内容的提问来源于stack exchange，提问作者fastlanes