dplyr: colSums on sub-grouped (group_by) 数据帧：优雅

Question

我有一个非常大的数据框（265,874 x 30），包含三个合理的组：年龄类别（1-6）、日期（5479 个）和地理区域（共 4 个）。 每条记录都包含一个选项，外加 27 个计数变量。 我想按每个分组变量进行分组，然后对结果子分组的 27 个变量进行 colSums。 我一直在尝试使用dplyr (v0.2) 来做这件事，因为手动执行它最终会设置很多冗余的东西（或者诉诸循环来遍历分组选项，因为缺乏优雅的解决方案） .

示例代码：

countData <- sample(0:10, 2000, replace = TRUE)
dates <- sample(seq(as.Date("2010/1/1"), as.Date("2010/01/30"), "days"), 200, replace = TRUE)
locality <- sample(1:2, 2000, replace = TRUE)
ageCat <- sample(1:2, 2000, replace = TRUE)
sampleDF <- data.frame(dates, locality, ageCat, matrix(countData, nrow = 200, ncol = 10))

那么我想做的是......

library("dplyr")
sampleDF %.% group_by(locality, ageCat, dates) %.% do(colSums(.[, -(1:3)]))

但这并不完全有效，因为 colSums() 的结果不是数据框。 如果我投它，它的工作原理：

sampleDF %.% group_by(locality, ageCat, dates) %.% do(data.frame(matrix(colSums(.[, -(1:3)]), nrow = 1, ncol = 10)))

但最后的 do(...) 位似乎很笨重。

关于如何更优雅或更有效地做到这一点的任何想法？ 我想问题归结为：如何最好地使用 do() 函数和 . 运算符通过 colSums 汇总数据帧。

注意：do(.) 运算符仅适用于dplyr 0.2，因此您需要从 GitHub（链接）而不是从 CRAN 获取它。

编辑：建议的结果

三种解决方案：

1. 我在帖子中的建议：经过，146.765 秒。

2. @joran 的建议如下：6.902 秒

3. @eddi 在评论中的建议，使用 data.table：6.715 秒。

我没有费心去复制，只是使用 system.time() 来获得一个粗略的衡量标准。 从它的外观来看， dplyr和data.table在我的数据集上的表现大致相同，而且在正确使用时，两者都比我昨天提出的 hack 解决方案快得多。

Answer 1

除非我失去了一些东西，这似乎是一个工作summarise_each （几分colwise从plyr模拟）：

sampleDF %.% group_by(locality, ageCat, dates) %.% summarise_each(funs(sum))

默认情况下，分组列不包含在汇总功能中，您只能选择列的子集以使用与使用select时相同的技术来应用这些功能。

（ summarise_each是dplyr的0.2版本，但没有在0.1.3，据我所知）。

Answer 2

这是@joran在2014年的精彩回答。

现在这个方法已被弃用。 相反，请使用summarize_all()或summarize_at() 。

Answer 3

这是@Hack-R 在 2018 年的精彩回答。

现在这种方法已被取代。 相反，请使用summarize() / summarise()结合across() 。 ;-)