时间戳

首页 > 解决方案 > dplyr 滞后调用中意外的整洁评估行为

r - dplyr 滞后调用中意外的整洁评估行为

问题描述

我有一个函数，它需要一个数据框和几个变量，我希望它使用整洁的评估原则产生一组滞后变量。在它的简单形式中，它看起来像这样：

library(dplyr)
cor_lags <- function(df, var1, var2) {
  var1 <- enquo(var1)
  var2 <- enquo(var2)
  df %>% 
    select(!!var1, !!var2) %>% 
    mutate(lag1 = lag(!!var2, 1),
           lag2 = lag(!!var2, 2),
           lag3 = lag(!!var2, 3),
           lag4 = lag(!!var2, 4),
           lag5 = lag(!!var2, 5),
           lag6 = lag(!!var2, 6))
}

但是，这会NA为所有滞后变量生成值。

cor_lags(dts_wide,"P26","P1")
# A tibble: 24 x 8
       P26     P1 lag1  lag2  lag3  lag4  lag5  lag6 
     <dbl>  <dbl> <chr> <chr> <chr> <chr> <chr> <chr>
 1  84332.  2258. NA    NA    NA    NA    NA    NA   
 2  63995.  2752. NA    NA    NA    NA    NA    NA   
 3  86208. 10126. NA    NA    NA    NA    NA    NA   
 4 103455.  3767. NA    NA    NA    NA    NA    NA   
 5 160524. 12986. NA    NA    NA    NA    NA    NA   
 6 306683.  3944. NA    NA    NA    NA    NA    NA   
 7 599589.  3695. NA    NA    NA    NA    NA    NA   
 8 642343.  6202. NA    NA    NA    NA    NA    NA   
 9 482021.  8769. NA    NA    NA    NA    NA    NA   
10 220949.  5059. NA    NA    NA    NA    NA    NA

有没有理由！！评估员不在lag通话范围内工作？他们显然在select通话中工作。

上述调用的预期行为在实践中应该像这段代码一样工作（有效）：

# Expected
cor_lags <- function(df, var1, var2) {
  var1 <- enquo(var1)
  var2 <- enquo(var2)
  df %>% 
    select(!!var1, !!var2) %>% 
    mutate(lag1 = lag(P1, 1),
           lag2 = lag(P1, 2),
           lag3 = lag(P1, 3),
           lag4 = lag(P1, 4),
           lag5 = lag(P1, 5),
           lag6 = lag(P1, 6))
}

正如预期的那样，它会产生：

cor_lags(dts_wide,"P26","P1")
# A tibble: 24 x 8
       P26     P1   lag1   lag2   lag3   lag4   lag5   lag6
     <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
 1  84332.  2258.    NA     NA     NA     NA     NA     NA 
 2  63995.  2752.  2258.    NA     NA     NA     NA     NA 
 3  86208. 10126.  2752.  2258.    NA     NA     NA     NA 
 4 103455.  3767. 10126.  2752.  2258.    NA     NA     NA 
 5 160524. 12986.  3767. 10126.  2752.  2258.    NA     NA 
 6 306683.  3944. 12986.  3767. 10126.  2752.  2258.    NA 
 7 599589.  3695.  3944. 12986.  3767. 10126.  2752.  2258.
 8 642343.  6202.  3695.  3944. 12986.  3767. 10126.  2752.
 9 482021.  8769.  6202.  3695.  3944. 12986.  3767. 10126.
10 220949.  5059.  8769.  6202.  3695.  3944. 12986.  3767.

标签： rdplyrtidyeval

解决方案

您正在混淆准引用语法。任何一个

  • 替换enquo为sym（或rlang::sym）将字符串转换为符号，

    cor_lags <- function(df, var1, var2) {
  var1 <- sym(var1);                              # Turn string into symbol
  var2 <- sym(var2);                              # Turn string into symbol
  df %>%
    select(!!var1, !!var2) %>%
    mutate(lag1 = lag(!!var2, 1),
           lag2 = lag(!!var2, 2),
           lag3 = lag(!!var2, 3),
           lag4 = lag(!!var2, 4),
           lag5 = lag(!!var2, 5),
           lag6 = lag(!!var2, 6))
}

cor_lags(mtcars, "mpg", "disp") %>% head()        # var1, var2 as string
#   mpg disp lag1 lag2 lag3 lag4 lag5 lag6
#1 21.0  160   NA   NA   NA   NA   NA   NA
#2 21.0  160  160   NA   NA   NA   NA   NA
#3 22.8  108  160  160   NA   NA   NA   NA
#4 21.4  258  108  160  160   NA   NA   NA
#5 18.7  360  258  108  160  160   NA   NA
#6 18.1  225  360  258  108  160  160   NA

  • 或为 and 提供不带引号的表达式var1并将var2它们转换为 quosuresenquo

    cor_lags <- function(df, var1, var2) {
   var1 <- enquo(var1)                            # Turn expression into quosure
   var2 <- enquo(var2)                            # Turn expression into quosure
   df %>%
     select(!!var1, !!var2) %>%
     mutate(lag1 = lag(!!var2, 1),
            lag2 = lag(!!var2, 2),
            lag3 = lag(!!var2, 3),
            lag4 = lag(!!var2, 4),
            lag5 = lag(!!var2, 5),
            lag6 = lag(!!var2, 6))
}
cor_lags(mtcars, mpg, disp) %>% head()            # var1, var2 as expressions
#   mpg disp lag1 lag2 lag3 lag4 lag5 lag6
#1 21.0  160   NA   NA   NA   NA   NA   NA
#2 21.0  160  160   NA   NA   NA   NA   NA
#3 22.8  108  160  160   NA   NA   NA   NA
#4 21.4  258  108  160  160   NA   NA   NA
#5 18.7  360  258  108  160  160   NA   NA
#6 18.1  225  360  258  108  160  160   NA

推荐阅读