我认为最简单的方法是转换成一个长形状，并使用x1、x2和x3作为计算分位数的组，然后如果愿意，可以将其拉伸回宽形状，可以将高值显式替换为NA，但如果使用tidyr::spread，你还是会得到NA s来填充缺失的值。
为了清晰起见，我保留了一些中间步骤，但要点是将gather变成一个长形状，找到第95个百分位数，将值保持在第95个百分位数或以下，然后将spread变回宽。分组后，我还添加了一个行号作为ID列，以避免可怕的“重复名称...”错误。对于分位数，它如下所示：

library(tidyverse)

...

df %>%
  gather(key, value) %>%
  group_by(key) %>%
  mutate(q95 = quantile(value, 0.95), row = row_number())
#> # A tibble: 30 x 4
#> # Groups:   key [3]
#>    key   value   q95   row
#>    <chr> <dbl> <dbl> <int>
#>  1 x1     57.7  98.8     1
#>  2 x1     22.3  98.8     2
#>  3 x1     33.2  98.8     3
#>  4 x1     71.1  98.8     4
#>  5 x1     81.9  98.8     5
#>  6 x1     42.4  98.8     6
#>  7 x1     96.4  98.8     7
#>  8 x1     97.8  98.8     8
#>  9 x1     84.1  98.8     9
#> 10 x1     99.7  98.8    10
#> # ... with 20 more rows

从前面几行可以看到，第10行的值高于对应的第95百分位数，因此我们希望将其过滤掉，并转换为NA。
然后使用分位数进行过滤和扩散。

df %>%
  gather(key, value) %>%
  group_by(key) %>%
  mutate(q95 = quantile(value, 0.95), row = row_number()) %>%
  filter(value <= q95) %>%
  select(-q95) %>%
  spread(key, value) %>%
  select(-row)
#> # A tibble: 10 x 3
#>       x1    x2    x3
#>    <dbl> <dbl> <dbl>
#>  1  57.7  86.6  58.6
#>  2  22.3  70.1  27.5
#>  3  33.2  39.0  14.8
#>  4  71.1  31.5  80.1
#>  5  81.9  84.6  38.6
#>  6  42.4  13.9  82.0
#>  7  96.4  51.8  68.5
#>  8  97.8  59.4  NA  
#>  9  84.1  NA    11.2
#> 10  NA    62.8  77.9

实际上，不需要仅为q95添加整列，而可以使用更简洁的列，如filter(value <= quantile(value, 0.95))。

从2021年起，filter与if_all配合使用：

df %>%
    dplyr::filter(if_all(everything(), ~.x >= quantile(.x,.01) & .x <= quantile(.x,.99)))