使用dplyr时，使用rle按运行分组

Question

在R中，我想在基于变量x的运行对数据进行分组之后总结我的数据（ x每组数据对应于连续x值相同的数据的子集）。 例如，考虑以下数据框，我想在每次运行x计算平均y值：

(dat <- data.frame(x=c(1, 1, 1, 2, 2, 1, 2), y=1:7))
#   x y
# 1 1 1
# 2 1 2
# 3 1 3
# 4 2 4
# 5 2 5
# 6 1 6
# 7 2 7

在此示例中， x变量的长度为3，然后是2，然后是1，最后是1，在这四次运行中取值1,2,1和2。 这些组中y的相应平均值为y和7。

使用tapply在base R中执行此分组操作很容易，将dat$y作为数据传递，使用rle从dat$x计算运行编号，并传递所需的汇总函数：

tapply(dat$y, with(rle(dat$x), rep(seq_along(lengths), lengths)), mean)
#   1   2   3   4 
# 2.0 4.5 6.0 7.0 

我想我可以直接将这个逻辑转移到dplyr，但到目前为止我的尝试都以错误结束了：

library(dplyr)
# First attempt
dat %>%
  group_by(with(rle(x), rep(seq_along(lengths), lengths))) %>%
  summarize(mean(y))
# Error: cannot coerce type 'closure' to vector of type 'integer'

# Attempt 2 -- maybe "with" is the problem?
dat %>%
  group_by(rep(seq_along(rle(x)$lengths), rle(x)$lengths)) %>%
  summarize(mean(y))
# Error: invalid subscript type 'closure'

为了完整起见，我可以重新实现rle自己使用运行ID cumsum ， head和tail来解决这个问题，但它使分组码强硬阅读并包含一点点重新发明轮子的：

dat %>%
  group_by(run=cumsum(c(1, head(x, -1) != tail(x, -1)))) %>%
  summarize(mean(y))
#     run mean(y)
#   (dbl)   (dbl)
# 1     1     2.0
# 2     2     4.5
# 3     3     6.0
# 4     4     7.0

是什么原因造成我的rle的基于分组的代码失败dplyr ，而且是有使我使用保留的任何解决方案rle通过运行ID分组时？

Answer 1

一个选项似乎是使用{}如：

dat %>%
    group_by(yy = {yy = rle(x); rep(seq_along(yy$lengths), yy$lengths)}) %>%
    summarize(mean(y))
#Source: local data frame [4 x 2]
#
#     yy mean(y)
#  (int)   (dbl)
#1     1     2.0
#2     2     4.5
#3     3     6.0
#4     4     7.0

如果未来的dplyr版本也具有相当于data.table的rleid函数，那将是很好的。

---

我注意到，使用时会出现此问题data.frame或tbl_df输入，但不是使用时tbl_dt或data.table输入：

dat %>% 
    tbl_df %>% 
    group_by(yy = with(rle(x), rep(seq_along(lengths), lengths))) %>%
    summarize(mean(y))
Error: cannot coerce type 'closure' to vector of type 'integer'

dat %>% 
    tbl_dt %>% 
    group_by(yy = with(rle(x), rep(seq_along(lengths), lengths))) %>%
    summarize(mean(y))
Source: local data table [4 x 2]

     yy mean(y)
  (int)   (dbl)
1     1     2.0
2     2     4.5
3     3     6.0
4     4     7.0

我在dplyr的github页面上报告了这个问题 。

Answer 2

如果你明确地创建一个分组变量g它或多或少有效：

> dat %>% transform(g=with(rle(dat$x),{ rep(seq_along(lengths), lengths)}))%>%                                   
 group_by(g) %>% summarize(mean(y))
Source: local data frame [4 x 2]

      g mean(y)
  (int)   (dbl)
1     1     2.0
2     2     4.5
3     3     6.0
4     4     7.0

我在这里使用了transform ，因为mutate会抛出一个错误。