dplyr 延迟调用中意外的整洁 eval 行为

Question

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生成一组滞后变量。它的简单形式如下所示：

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  

有什么原因吗！！评估员不在lag通话中工作？他们显然正在select通话中工作。

上面调用的预期行为应该像下面的代码一样在实践中工作（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.

Answer 1

您正在混淆准引号语法。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
  

• 或者为var1and提供不带引号的表达式，并将var2它们变成 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