我有这样的dplyr代码
data <- load_data(country = "us") %>%
filter(number > 1)
我想通过这样的调用来创建函数
test <- function(country_code = "us") {
data <- load_data(country = country_code) %>%
filter(number > 1)
}
但是我想为该数字过滤器添加偶数参数。通常,我的操作方式与country_code相同。但是我希望能够呼叫偶数= 0或数字小于1,依此类推。
所以问题是如何处理函数调用中的刨丝器(少/等)符号?
应该像test <- function(country_code = "us", number > 0)
或
test <- function(country_code = "us", number <= -10)
答案 0 :(得分:8)
您可以使用...
表示法将其他参数传递给过滤器功能。
示例:
test <- function(path, country_code = "us", ...) {
read_csv(path) %>%
filter(...)
}
test('somepath', country_code = "us", number <= -10)
答案 1 :(得分:0)
我喜欢@JohannesNE的回答。这是使用match.fun
和rlang::sym
library(dplyr)
library(rlang)
test <- function(country_code = "us", op, col, value) {
load_data(country = country_code) %>%
filter(match.fun(op)(!!sym(col), value))
}
在这里,我们传递运算符,列和值以在函数中分别进行比较。
然后您可以按以下方式致电test
test("us", "<=", "number", -10)
在mtcars
上进行测试
test <- function(op, col, value) {
mtcars %>% filter(match.fun(op)(!!sym(col), value))
}
test("==", "cyl", 6)
# mpg cyl disp hp drat wt qsec vs am gear carb
#1 21.0 6 160 110 3.90 2.62 16.5 0 1 4 4
#2 21.0 6 160 110 3.90 2.88 17.0 0 1 4 4
#3 21.4 6 258 110 3.08 3.21 19.4 1 0 3 1
#4 18.1 6 225 105 2.76 3.46 20.2 1 0 3 1
#5 19.2 6 168 123 3.92 3.44 18.3 1 0 4 4
#6 17.8 6 168 123 3.92 3.44 18.9 1 0 4 4
#7 19.7 6 145 175 3.62 2.77 15.5 0 1 5 6
答案 2 :(得分:0)
使用tidyverse
,我们可以使用enexpr
获得表达式,然后求值(!!
)
test <- function(path, country_code = "us", expr1) {
expr1 <- rlang::enexpr(expr1)
load_data(country = country_code) %>%
filter(!! expr1)
}
使用可复制的示例
test <- function(data, expr1) {
expr1 <- rlang::enexpr(expr1)
data %>%
filter(!! expr1)
}
test(mtcars, vs == 1)
# mpg cyl disp hp drat wt qsec vs am gear carb
#1 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
#2 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
#3 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
#4 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
#5 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
#6 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
#7 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
#8 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
#9 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
#10 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
#11 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
#12 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
#13 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
#14 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2