外觀
Data Science › R Foundations › dplyr 程式化模式
dplyr 程式化模式 (dplyr Programming Patterns)
一次性的 pipeline 變成要對不同欄位、不同資料表重複套用時,需要三種工具:tidyselect 規則化選欄、across() 批次轉換多欄、tidy evaluation ({{ }}) 讓函式接受欄名參數。基本 verbs 見 Tidyverse 工作流。
text
同一段 pipeline 重複貼? → 包成函式(參數是值)
很多欄套同一轉換? → across() + 選欄 helper
函式參數是「欄名」? → {{ col }};動態輸出欄名 → "mean_{{ col }}" :=選欄 helper (tidyselect)
| helper | 選到 | 例子 |
|---|---|---|
starts_with() / ends_with() | 前綴 / 後綴 | starts_with("perc") |
contains() | 包含字串 | contains("rate") |
matches() | regex | `matches("^(CD |
where() | 依型別或條件 | where(is.numeric) |
all_of() / any_of() | 字串向量(缺欄時報錯 / 忽略) | all_of(c("id", "age")) |
everything() / last_col() | 全部 / 最後一欄 | |
a:b、!、&、| | 範圍、排除、組合 | !where(is.numeric) |
r
world_bank |> select(country, year, starts_with("perc"))
world_bank |> relocate(matches("^perc"), .after = year) # 只改順序
meta |> select(any_of(c("sample_id", "batch", "age"))) # 欄位可能不存在時
cols <- c("TP53", "MYC")
expr |> select(all_of(cols)) # 欄名在變數裡:用 all_of(),不要直接 select(cols)across():多欄同一轉換
r
world_bank |>
mutate(across(starts_with("perc"), \(x) x / 100)) # 百分比 → 比例
world_bank |>
summarize(across(ends_with("rate"), \(x) mean(x, na.rm = TRUE)), .by = region)
# 多個函式 + 命名規則
expr_tbl |>
summarize(across(where(is.numeric), list(mean = mean, sd = sd), .names = "{.col}_{.fn}"))
# 依型別分組計數
df |> count(across(!where(is.numeric)))dplyr ≥ 1.1.0 已棄用把額外參數傳給
across()(across(x, mean, na.rm = TRUE)),改用匿名函式\(x) mean(x, na.rm = TRUE)。
同一列多欄計算
r
# 快:向量化的列運算
scores |> mutate(total = rowSums(pick(q1:q10), na.rm = TRUE),
mean_q = rowMeans(pick(starts_with("q")), na.rm = TRUE))
# 通用但慢:rowwise + c_across(逐列呼叫函式)
scores |> rowwise() |> mutate(max_q = max(c_across(q1:q10))) |> ungroup()rowwise() 只在沒有向量化版本時使用(rowSums、pmax、pmin 都是向量化的)。
列層級的集合運算
比較兩張表整列是否相同,不靠 key 配對;和 join 是不同問題。
| 函式 | 回傳 |
|---|---|
intersect(a, b) | 兩表都有的列 |
union(a, b) / union_all(a, b) | 合併去重 / 不去重 |
setdiff(a, b) | 只在 a 的列 |
setequal(a, b) | 忽略順序是否相同 |
symdiff(a, b) | 只在其中一邊的列(dplyr ≥ 1.1.0) |
r
setdiff(results_v1, results_v2) # 重跑 pipeline 後哪些列變了函式接受欄名:tidy evaluation
dplyr verbs 讀的是裸欄名(data masking),直接把參數丟進去會被當成變數找不到。
r
# 1. {{ }}(curly-curly):最常用,涵蓋大多數 wrapper
summarize_mean_by <- function(df, group_col, value_col) {
df |>
summarize(mean_value = mean({{ value_col }}, na.rm = TRUE), .by = {{ group_col }})
}
summarize_mean_by(gapminder, continent, lifeExp)
# 2. 動態輸出欄名:glue 語法 + :=
summarize_named_mean <- function(df, group_col, value_col) {
df |>
summarize("mean_{{ value_col }}" := mean({{ value_col }}, na.rm = TRUE),
.by = {{ group_col }})
} # 產生 mean_lifeExp
# 3. 欄名是字串(來自設定檔、迴圈):.data 代名詞
summarize_by_name <- function(df, group_name, value_name) {
df |> summarize(mean_value = mean(.data[[value_name]]), .by = all_of(group_name))
}
purrr::map(c("lifeExp", "gdpPercap"), \(v) summarize_by_name(gapminder, "continent", v))
# 4. 多個欄位參數:用 ... 轉交
count_by <- function(df, ...) df |> count(...) |> mutate(prop = n / sum(n))
count_by(gapminder, continent, year)| 情境 | 寫法 |
|---|---|
| 參數是裸欄名 | {{ col }} |
| 參數是字串 | .data[[name]](data masking)/ all_of(name)(tidyselect) |
| 輸出欄名要依輸入變 | "prefix_{{ col }}" := 或 "{name}" := |
| 需要保存、檢查表達式 | enquo(col) + !!col;取名稱 rlang::as_name(enquo(col)) |
包 ggplot2
r
plot_hist <- function(df, x_var) {
ggplot2::ggplot(df, ggplot2::aes(x = {{ x_var }})) +
ggplot2::geom_histogram(bins = 30) +
ggplot2::labs(x = rlang::as_label(rlang::enquo(x_var)))
}
plot_hist(gapminder, lifeExp)常見錯誤
| 錯誤 | 症狀 | 對策 |
|---|---|---|
函式內 group_by(group_col) | object 'continent' not found 或 Column not found | {{ group_col }} |
select(cols),cols 是字串向量 | 有同名欄時選錯;或 deprecation warning | select(all_of(cols)) |
| 外部變數與欄名同名 | filter(df, n > n) 意義不明 | 欄用 .data$n、外部變數用 .env$n |
一欄一欄重複寫 mutate() | 程式冗長、漏改 | across() |
用 rowwise() 解可向量化的問題 | 慢 | rowSums(pick(...))、pmax() |