将不同的函数应用于按名称选择函数的数据框的列答案

【问题标题】：Apply different functions to columns of a dataframe selecting functions by name将不同的函数应用于按名称选择函数的数据框的列
【发布时间】：2022-01-21 09:31:29
【问题描述】：

假设我有一个包含多个列的数据框，其中一些我想要转换。列名定义了需要使用的转换。

library(tidyverse)
set.seed(42)
df <- data.frame(A = 1:100, B = runif(n = 100, 0, 1), log10 = runif(n = 100, 10, 100), log2 = runif(n = 100, 10, 100), log1p = runif(n = 100, 10, 100), sqrt = runif(n = 100, 10, 100))
trans <- list()
trans$log10 <- log10
trans$log2 <- log2
trans$log1p <- log1p
trans$sqrt <- sqrt

理想情况下，我想使用 across 调用，其中列名与 trans 函数名匹配，并且转换将即时执行。所需的输出如下：

df_trans <- df %>% 
  dplyr::mutate(log10 = trans$log10(log10),
                log2 = trans$log2(log2),
                log1p = trans$log1p(log1p),
                sqrt = trans$sqrt(sqrt))
df_trans

但是，我不想单独手动指定每个转换。在代表性示例中，我只有 4 个，但这个数字可能会有所不同，而且会显着增加，这使得手动规范变得繁琐且容易出错。

我已设法通过将 trans 列表转换为数据框并左连接来将列名与函数匹配，但随后无法调用 trans_function 列中的函数。

trans_df <- enframe(trans, value = "trans_function")
df %>% 
  pivot_longer(cols = everything()) %>% 
  left_join(trans_df) %>% 
  dplyr::mutate(value = trans_function(value))

错误：mutate() 列 value 出现问题。
我value = trans_function(value).
x 找不到函数“trans_function”

我想我要么需要找到一种从列表列中调用函数的方法，要么需要找到另一种将函数名与列名匹配的方法。欢迎所有想法。

【问题讨论】：

标签： r dplyr apply

【解决方案1】：

另一种可能性如下：

library(tidyverse)
set.seed(42)
df <- data.frame(A = 1:100, B = runif(n = 100, 0, 1), log10 = runif(n = 100, 10, 100), log2 = runif(n = 100, 10, 100), log1p = runif(n = 100, 10, 100), sqrt = runif(n = 100, 10, 100))

df %>% 
  mutate(across(-(A:B), ~ getFunction(cur_column())(.x))) %>% head

#>   A         B    log10     log2    log1p     sqrt
#> 1 1 0.9148060 1.821920 6.486402 3.998918 3.470303
#> 2 2 0.9370754 1.470472 5.821200 3.932046 7.496103
#> 3 3 0.2861395 1.469690 6.437524 2.799395 8.171007
#> 4 4 0.8304476 1.653261 5.639570 3.700698 6.905755
#> 5 5 0.6417455 1.976905 4.597484 4.500461 9.441077
#> 6 6 0.5190959 1.985133 5.638341 4.551289 4.440590

【讨论】：

【解决方案2】：

在base R，我们可以使用Map

df[names(trans)] <- Map(function(x, y) x(y), trans, df[names(trans)])

-检查

> identical(df, df_trans)
[1] TRUE

【讨论】：

【解决方案3】：

我们可以在across 中使用cur_column() 来获取列名并将其用于子集trans。

library(dplyr)

df %>%
  mutate(across(names(trans), ~trans[[cur_column()]](.x))) %>%
  head

#  A         B    log10     log2    log1p     sqrt
#1 1 0.9148060 1.821920 6.486402 3.998918 3.470303
#2 2 0.9370754 1.470472 5.821200 3.932046 7.496103
#3 3 0.2861395 1.469690 6.437524 2.799395 8.171007
#4 4 0.8304476 1.653261 5.639570 3.700698 6.905755
#5 5 0.6417455 1.976905 4.597484 4.500461 9.441077
#6 6 0.5190959 1.985133 5.638341 4.551289 4.440590

将其与df_trans 的输出进行比较。

head(df_trans)

#  A         B    log10     log2    log1p     sqrt
#1 1 0.9148060 1.821920 6.486402 3.998918 3.470303
#2 2 0.9370754 1.470472 5.821200 3.932046 7.496103
#3 3 0.2861395 1.469690 6.437524 2.799395 8.171007
#4 4 0.8304476 1.653261 5.639570 3.700698 6.905755
#5 5 0.6417455 1.976905 4.597484 4.500461 9.441077
#6 6 0.5190959 1.985133 5.638341 4.551289 4.440590

【讨论】：

【解决方案4】：

一种方法是使用 lapply：

library(tidyverse)
set.seed(42)

df <- data.frame(A = 1:100, B = runif(n = 100, 0, 1), log10 = runif(n = 100, 10, 100), log2 = runif(n = 100, 10, 100), log1p = runif(n = 100, 10, 100), sqrt = runif(n = 100, 10, 100))
trans <- list()
trans$log10 <- log10
trans$log2 <- log2
trans$log1p <- log1p
trans$sqrt <- sqrt


df_trans <- setNames(lapply(names(df),
            function(x) if(x %in% names(trans))
            { trans[[x]](df[,(x)])} else {df[,x]}),names(df)) %>% 
  bind_cols() %>% 
  as.data.frame() 

head(df_trans)

给出：

  A         B    log10     log2    log1p     sqrt
  1 1 0.1365052 1.739051 6.301896 4.530600 4.318942
  2 2 0.1771364 1.549601 5.793220 4.521715 3.649834
  3 3 0.5195605 1.902438 4.819125 3.343266 6.788565
  4 4 0.8111208 1.572253 6.219991 4.075945 3.322401
  5 5 0.1153620 1.751276 6.306097 4.060292 7.817301
  6 6 0.8934218 1.724403 6.201123 3.235938 9.749128

原始数据框为：

head(df)
  A         B    log10     log2    log1p     sqrt
  1 1 0.1365052 54.83409 78.89684 91.81428 18.65326
  2 2 0.1771364 35.44878 55.45401 90.99323 13.32129
  3 3 0.5195605 79.88006 28.22936 27.31143 46.08461
  4 4 0.8111208 37.34675 74.54249 57.90612 11.03835
  5 5 0.1153620 56.39961 79.12693 56.99123 61.11019
  6 6 0.8934218 53.01557 73.57393 24.43022 95.04549

【讨论】：