[英]Group by multiple columns in dplyr, using string vector input
我正在尝试将我对 plyr 的理解转移到 dplyr 中,但我无法弄清楚如何按多列进行分组。
# make data with weird column names that can't be hard coded
data = data.frame(
asihckhdoydkhxiydfgfTgdsx = sample(LETTERS[1:3], 100, replace=TRUE),
a30mvxigxkghc5cdsvxvyv0ja = sample(LETTERS[1:3], 100, replace=TRUE),
value = rnorm(100)
)
# get the columns we want to average within
columns = names(data)[-3]
# plyr - works
ddply(data, columns, summarize, value=mean(value))
# dplyr - raises error
data %.%
group_by(columns) %.%
summarise(Value = mean(value))
#> Error in eval(expr, envir, enclos) : index out of bounds
将 plyr 示例转换为 dplyr 式语法我错过了什么?
2017 年编辑:Dplyr 已更新,因此可以使用更简单的解决方案。 查看当前选择的答案。
为了完整地编写代码,这里是使用新语法对 Hadley 的回答进行更新:
library(dplyr)
df <- data.frame(
asihckhdoydk = sample(LETTERS[1:3], 100, replace=TRUE),
a30mvxigxkgh = sample(LETTERS[1:3], 100, replace=TRUE),
value = rnorm(100)
)
# Columns you want to group by
grp_cols <- names(df)[-3]
# Convert character vector to list of symbols
dots <- lapply(grp_cols, as.symbol)
# Perform frequency counts
df %>%
group_by_(.dots=dots) %>%
summarise(n = n())
输出:
Source: local data frame [9 x 3]
Groups: asihckhdoydk
asihckhdoydk a30mvxigxkgh n
1 A A 10
2 A B 10
3 A C 13
4 B A 14
5 B B 10
6 B C 12
7 C A 9
8 C B 12
9 C C 10
dplyr 对此的支持目前非常薄弱,最终我认为语法将类似于:
df %.% group_by(.groups = c("asdfgfTgdsx", "asdfk30v0ja"))
但这可能不会有一段时间(因为我需要考虑所有后果)。
同时,您可以使用regroup()
,它需要一个符号列表:
library(dplyr)
df <- data.frame(
asihckhdoydk = sample(LETTERS[1:3], 100, replace=TRUE),
a30mvxigxkgh = sample(LETTERS[1:3], 100, replace=TRUE),
value = rnorm(100)
)
df %.%
regroup(list(quote(asihckhdoydk), quote(a30mvxigxkgh))) %.%
summarise(n = n())
如果您有列名的字符向量,则可以使用lapply()
和as.symbol()
将它们转换为正确的结构:
vars <- setdiff(names(df), "value")
vars2 <- lapply(vars, as.symbol)
df %.% regroup(vars2) %.% summarise(n = n())
由于发布了这个问题,dplyr 添加了group_by
范围版本( 文档here )。 这使您可以使用与select
相同的功能,如下所示:
data = data.frame(
asihckhdoydkhxiydfgfTgdsx = sample(LETTERS[1:3], 100, replace=TRUE),
a30mvxigxkghc5cdsvxvyv0ja = sample(LETTERS[1:3], 100, replace=TRUE),
value = rnorm(100)
)
# get the columns we want to average within
columns = names(data)[-3]
library(dplyr)
df1 <- data %>%
group_by_at(vars(one_of(columns))) %>%
summarize(Value = mean(value))
#compare plyr for reference
df2 <- plyr::ddply(data, columns, plyr::summarize, value=mean(value))
table(df1 == df2, useNA = 'ifany')
## TRUE
## 27
您的示例问题的输出符合预期(参见与上面的 plyr 和下面的输出的比较):
# A tibble: 9 x 3
# Groups: asihckhdoydkhxiydfgfTgdsx [?]
asihckhdoydkhxiydfgfTgdsx a30mvxigxkghc5cdsvxvyv0ja Value
<fctr> <fctr> <dbl>
1 A A 0.04095002
2 A B 0.24943935
3 A C -0.25783892
4 B A 0.15161805
5 B B 0.27189974
6 B C 0.20858897
7 C A 0.19502221
8 C B 0.56837548
9 C C -0.22682998
请注意,由于dplyr::summarize
只剥离一层分组,因此您仍然在结果小标题中进行了一些分组(有时可能会在稍后的过程中引起人们的注意)。 如果您想绝对避免意外的分组行为,您可以在汇总后始终将%>% ungroup
添加到您的管道中。
现在通过dplyr
函数的变体支持dplyr
中列的字符串规范,名称以下划线结尾。 例如,对应于group_by
函数,有一个group_by_
函数可以接受字符串参数。 此小插图详细描述了这些函数的语法。
以下代码片段干净地解决了@sharoz 最初提出的问题(注意需要写出.dots
参数):
# Given data and columns from the OP
data %>%
group_by_(.dots = columns) %>%
summarise(Value = mean(value))
(请注意,dplyr 现在使用%>%
运算符,而%.%
已弃用)。
在 dplyr 完全支持字符串参数之前,也许这个要点很有用:
https://gist.github.com/skranz/9681509
它包含一堆使用字符串参数的包装函数,如 s_group_by、s_mutate、s_filter 等。 您可以将它们与普通的 dplyr 函数混合使用。 例如
cols = c("cyl","gear")
mtcars %.%
s_group_by(cols) %.%
s_summarise("avdisp=mean(disp), max(disp)") %.%
arrange(avdisp)
如果您将对象传递给它(好吧,您不是,但是......)而不是作为字符向量,它会起作用:
df %.%
group_by(asdfgfTgdsx, asdfk30v0ja) %.%
summarise(Value = mean(value))
> df %.%
+ group_by(asdfgfTgdsx, asdfk30v0ja) %.%
+ summarise(Value = mean(value))
Source: local data frame [9 x 3]
Groups: asdfgfTgdsx
asdfgfTgdsx asdfk30v0ja Value
1 A C 0.046538002
2 C B -0.286359899
3 B A -0.305159419
4 C A -0.004741504
5 B B 0.520126476
6 C C 0.086805492
7 B C -0.052613078
8 A A 0.368410146
9 A B 0.088462212
其中df
是您的data
。
?group_by
说:
...: variables to group by. All tbls accept variable names, some
will also accept functons of variables. Duplicated groups
will be silently dropped.
我将其解释为不是名称的字符版本,而是您将如何在foo$bar
引用它们; 这里没有引用bar
。 或者如何在公式中引用变量: foo ~ bar
。
@Arun 还提到你可以这样做:
df %.%
group_by("asdfgfTgdsx", "asdfk30v0ja") %.%
summarise(Value = mean(value))
但是你不能传入一些未评估的不是数据对象中变量名的东西。
我认为这是由于 Hadley 使用内部方法来查找您通过...
参数传入的内容。
上面的所有答案仍然有效,带有 .dots 参数的解决方案很有趣。
但是,如果您寻找更容易记住的解决方案,新的across()
会派上用场。 它由 Hadley Wickham 于 2020-04-03 发布,可用于mutate()
和summarise()
并替换_at
或_all
等范围变体。 最重要的是,它用引用/取消引用非常优雅地替换了繁琐的非标准评估 (NSE),例如!!! rlang::syms()
!!! rlang::syms()
。
因此,与该解决方案across
看上去非常可读:
data %>%
group_by(across(all_of(columns))) %>%
summarize(Value = mean(value))
data = data.frame(
my.a = sample(LETTERS[1:3], 100, replace=TRUE),
my.b = sample(LETTERS[1:3], 100, replace=TRUE),
value = rnorm(100)
)
group_by(data,newcol=paste(my.a,my.b,sep="_")) %>% summarise(Value=mean(value))
这里的答案中缺少一个(微小的)案例,我想明确指出,当要分组的变量在管道中动态生成时:
library(wakefield)
df_foo = r_series(rnorm, 10, 1000)
df_foo %>%
# 1. create quantized versions of base variables
mutate_each(
funs(Quantized = . > 0)
) %>%
# 2. group_by the indicator variables
group_by_(
.dots = grep("Quantized", names(.), value = TRUE)
) %>%
# 3. summarize the base variables
summarize_each(
funs(sum(., na.rm = TRUE)), contains("X_")
)
这基本上展示了如何将grep
与group_by_(.dots = ...)
结合使用来实现这一点。
使用.dots
参数作为dplyr::group_by
函数的字符向量输入的一般示例:
iris %>%
group_by(.dots ="Species") %>%
summarise(meanpetallength = mean(Petal.Length))
或者没有分组变量的硬编码名称(如 OP 所要求的):
iris %>%
group_by(.dots = names(iris)[5]) %>%
summarise_at("Petal.Length", mean)
以 OP 为例:
data %>%
group_by(.dots =names(data)[-3]) %>%
summarise_at("value", mean)
另请参阅有关编程的dplyr 小插图,其中解释了代词、准引用、quosures 和 tidyeval。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.