我希望将不同的功能应用于小标题中的同一列。这些功能存储在字符串中。我曾经使用mutate_和.dots这样的参数来做到这一点：
library(dplyr)
myfuns <- c(f1 = "a^2", f2 = "exp(a)", f3 = "sqrt(a)")
tibble(a = 1:3) %>%
mutate_(.dots = myfuns)
此方法仍然可以正常工作，但不建议使用mutate_。我尝试使用mutate和rlang包来达到相同的结果，但是并没有走得太远。
在我的真实示例中，myfuns包含大约200个函数，因此不能一一键入。
谢谢。
答案 0 :(得分：4)
您只有一列，因此下面的两种方法都会给您相同的结果。
您只需要修改功能列表即可。
library(dplyr)
myfuns <- c(f1 = ~.^2, f2 = ~exp(.), f3 = ~sqrt(.))
tibble(a = 1:3) %>% mutate_at(vars(a), myfuns)
tibble(a = 1:3) %>% mutate_all(myfuns)
# # A tibble: 3 x 4
# a f1 f2 f3
# <int> <dbl> <dbl> <dbl>
# 1 1 1 2.72 1
# 2 2 4 7.39 1.41
# 3 3 9 20.1 1.73
答案 1 :(得分：4)
对于仅需一个输入的简单方程式，足以提供函数本身，例如
iris %>% mutate_at(vars(-Species), sqrt)
或者，当使用方程式而不是简单函数时，通过公式：
iris %>% mutate_at(vars(-Species), ~ . ^ 2)
当使用访问多个变量的方程式时，您需要使用rlang quosure代替：
area = quo(Sepal.Length * Sepal.Width)
iris %>% mutate(Sepal.Area = !! area)
在这里quo creates a “quosure”-即方程式的带引号的表示形式，与您对字符串的使用相同，只不过与字符串不同，该字符串的作用域是正确的，可以由dplyr直接使用，并且在概念上更简洁：与其他R表达式一样，但尚未评估。区别如下：
1 + 2是一个值为3的表达式。quo(1 + 2)是一个未经评估的表达式，其值1 + 2被评估为 3，但需要对其进行显式评估。那么我们如何评估未评估的表达式？好吧...：然后!! (pronounced “bang bang”) 取消引用，即在mutate 上下文中对它进行评估-。这很重要，因为Sepal.Length和Sepal.Width仅在mutate调用内才知道，而在外部则不知道。
在上述所有情况下，表达式也可以位于列表内。唯一的区别是，对于列表，您需要使用!!!而不是!!：
funs = list(
Sepal.Area = quo(Sepal.Length * Sepal.Width),
Sepal.Ratio = quo(Sepal.Length / Sepal.Width)
)
iris %>% mutate(!!! funs)
!!!操作被称为“ unquote-splice”。其思想是将其参数的列表元素“拼接”到父调用中。也就是说，似乎修改了该调用，就好像它包含逐字记录的列表元素作为参数一样（尽管这仅适用于支持该功能的函数，例如mutate）。
答案 2 :(得分：4)
将字符串转换为表达式
myexprs <- purrr::map( myfuns, rlang::parse_expr )
然后使用quasiquotation将这些表达式传递给正则mutate：
tibble(a = 1:3) %>% mutate( !!!myexprs )
# # A tibble: 3 x 4
# a f1 f2 f3
# <int> <dbl> <dbl> <dbl>
# 1 1 1 2.72 1
# 2 2 4 7.39 1.41
# 3 3 9 20.1 1.73
请注意，这也适用于涉及多列的字符串/表达式。
答案 3 :(得分：3)
基本选择：
myfuns <- c(f1 = "a^2", f2 = "exp(a)", f3 = "sqrt(a)")
df <- data.frame(a = 1:3)
df[names(myfuns)] <- lapply(myfuns , function(x) eval(parse(text= x), envir = df))
df
#> a f1 f2 f3
#> 1 1 1 2.718282 1.000000
#> 2 2 4 7.389056 1.414214
#> 3 3 9 20.085537 1.732051
由reprex package（v0.3.0）于2019-07-08创建
答案 4 :(得分：1)
使用parse_expr中的rlang的一种方式
library(tidyverse)
library(rlang)
tibble(a = 1:3) %>%
mutate(ans = map(myfuns, ~eval(parse_expr(.)))) %>%
#OR mutate(ans = map(myfuns, ~eval(parse(text = .)))) %>%
unnest() %>%
group_by(a) %>%
mutate(temp = row_number()) %>%
spread(a, ans) %>%
select(-temp) %>%
rename_all(~names(myfuns))
# A tibble: 3 x 3
# f1 f2 f3
# <dbl> <dbl> <dbl>
#1 1 2.72 1
#2 4 7.39 1.41
#3 9 20.1 1.73
答案 5 :(得分：1)
您也可以尝试purrr方法
# define the functions
f1 <- function(a) a^2
f2 <- function(a, b) a + b
f3 <- function(b) sqrt(b)
# put all functions in one list
tibble(funs=list(f1, f2, f3)) %>%
# give each function a name
mutate(fun_id=paste0("f", row_number())) %>%
# add to each row/function the matching column profile
# first extract the column names you specified in each function
#mutate(columns=funs %>%
# toString() %>%
# str_extract_all(., "function \\(.*?\\)", simplify = T) %>%
# str_extract_all(., "(?<=\\().+?(?=\\))", simplify = T) %>%
# gsub(" ", "", .) %>%
# str_split(., ",")) %>%
# with the help of Konrad we can use fn_fmls_names
mutate(columns=map(funs, ~ rlang::fn_fmls_names(.))) %>%
# select the columns and add to our tibble/data.frame
mutate(params=map(columns, ~select(df, .))) %>%
# invoke the functions
mutate(results = invoke_map(.f = funs, .x = params)) %>%
# transform to desired output
unnest(results) %>%
group_by(fun_id) %>%
mutate(n=row_number()) %>%
spread(fun_id, results) %>%
left_join(mutate(df, n=row_number()), .) %>%
select(-n)
Joining, by = "n"
# A tibble: 5 x 5
a b f1 f2 f3
<dbl> <dbl> <dbl> <dbl> <dbl>
1 2 1 4 3 1
2 4 1 16 5 1
3 5 2 25 7 1.41
4 7 2 49 9 1.41
5 8 2 64 10 1.41
一些数据
df <- data_frame(
a = c(2, 4, 5, 7, 8),
b = c(1, 1, 2, 2, 2))