帮我优化这段代码map_dfr(c("smoke","drink","obesity"), ~ dat1 <- data %>% filter(get(.x) == 1) %>% count(year,sex,agegroup,cancer)

可以尝试使用管道符 `%>%` 将操作串起来，避免多次赋值。同时，可以将函数 `count()` 的参数列表放在新的一行，使代码更加清晰易读。

library(dplyr)
library(purrr)

dat1 <- data %>%
  map_dfr(c("smoke", "drink", "obesity"), ~ {
    filter(.data, !!sym(.x) == 1) %>%
      count(
        year,
        sex,
        agegroup,
        cancer
      )
  })

这段代码中使用了 `sym()` 函数将字符串转换为符号，避免使用 `get()` 函数。同时，使用了 `map_dfr()` 函数来统一处理三个不同的数据列。

相关问题

帮我优化这段代码map_dfr(files,~read_excel(.x) %>% mutate(lab=.x))%>%mutate( 长度1=as.numeric(长度1),长度2=as.numeric(长度2),长度3=as.numeric(长度3), 长度4=as.numeric(长度4),长度5=as.numeric(长度5),长度6=as.numeric(长度6))%>% mutate(长度1=case_when(is.na(长度1)~0, TRUE~长度1),长度2=case_when(is.na(长度2)~0, TRUE~长度2),长度3=case_when(is.na(长度3)~0, TRUE~长度3), 长度4=case_when(is.na(长度4)~0, TRUE~长度4),长度5=case_when(is.na(长度5)~0, TRUE~长度5),长度6=case_when(is.na(长度6)~0, TRUE~长度6))%>% mutate(total=长度1+长度2+长度3+长度4+长度5+长度6)%>% mutate(result=case_when(total < 100~ "<100", total >=100&total<200 ~"100~200", total>=200&total<300~"200~300", total>=300&total<400~"300~400", total>=400&total<500~"400~500", total>=500&total<1000~"500~1000", total>=1000&total<5000~"1000~5000")) %>% count(result) %>% write.csv(.,"室内长度.csv")

这段代码有一些可以优化的地方，可以尝试以下几个方面进行优化：

1. 使用lapply代替map_dfr
2. 使用summarize代替mutate + count
3. 使用cut代替case_when

优化后的代码如下：

library(readxl)
library(dplyr)

files <- list.files(pattern = ".xlsx")

df_list <- lapply(files, function(x) {
  read_excel(x) %>% 
    mutate(lab = x) %>% 
    mutate_at(vars(starts_with("长度")), ~ifelse(is.na(.), 0, as.numeric(.))) 
})

df <- bind_rows(df_list)

df %>% 
  mutate(total = rowSums(select(., starts_with("长度")))) %>% 
  summarize(n = n(), 
            result = cut(total, breaks = c(-Inf, 100, 200, 300, 400, 500, 1000, 5000), 
                         labels = c("<100", "100~200", "200~300", "300~400", "400~500", "500~1000", "1000~5000"))) %>% 
  group_by(result) %>% 
  summarize(count = n()) %>% 
  write.csv("室内长度.csv", row.names = FALSE)

这样做的好处是：

1. 使用lapply可以避免重复调用map_dfr造成的性能损失
2. 使用summarize代替mutate + count可以简化代码并提升性能
3. 使用cut可以简化case_when语句，并且更加灵活。同时我们还使用了group_by和summarize来完成数据的汇总，避免了使用count造成的性能损失。

Error in map_dfr(all_files, read_tsv) : 没有"map_dfr"这个函数 >

看起来你在尝试使用的`map_dfr`函数在你的R环境中可能不存在。这是因为在最新版本的`purrr`包中，`map_dfr`已经被替换成了`map_df`。如果你想要用`dplyr`来合并数据，可以这样操作：

1. 首先确认你已经安装了`purrr`和`dplyr`，如果没有，可以用以下命令安装：

   install.packages("purrr")
   install.packages("dplyr")

2. 读取文件列表并存储每个文件的内容，可以使用`list.files`和`lapply`：

   all_files <- list.files(pattern = "*.rna_seq.augmented_star_gene_counts.tsv", full.names = TRUE)
   data_frames <- lapply(all_files, read_tsv)

3. 然后使用`bind_rows`从`data.table`或`dplyr`包结合所有的数据帧：

   combined_data <- do.call(rbind, data_frames)

或者使用`reduce`和`bind_rows`：

   combined_data <- Reduce(function(x, y) bind_rows(x, y), data_frames)

4. 如果需要分组后再合并，可以添加额外的`group_by`和`ungroup`步骤。

请注意检查你的R版本以及所使用的包是否是最新的，并确保你在正确的包里找到了对应的功能。