R dplyr 将多个函数汇总到选定的变量

Question

我有一个数据集，我想按平均值对其进行汇总，但也计算最大值为 1 个变量。

让我从一个我想要实现的例子开始：

iris %>%
  group_by(Species) %>%
  filter(Sepal.Length > 5) %>%
  summarise_at("Sepal.Length:Petal.Width",funs(mean))

这给了我以下结果

# A tibble: 3 × 5
     Species Sepal.Length Sepal.Width Petal.Length Petal.Width
      <fctr>        <dbl>       <dbl>        <dbl>       <dbl>
1     setosa          5.8         4.4          1.9         0.5
2 versicolor          7.0         3.4          5.1         1.8
3  virginica          7.9         3.8          6.9         2.5

有没有一种简单的方法可以添加，例如max(Petal.Width)来总结？

到目前为止，我已经尝试了以下方法：

iris %>%
  group_by(Species) %>%
  filter(Sepal.Length > 5) %>%
  summarise_at("Sepal.Length:Petal.Width",funs(mean)) %>%
  mutate(Max.Petal.Width = max(iris$Petal.Width))

但是使用这种方法，我丢失了上面代码中的group_by和filter ，并给出了错误的结果。

我能够实现的唯一解决方案如下：

iris %>%
  group_by(Species) %>%
  filter(Sepal.Length > 5) %>%
  summarise_at("Sepal.Length:Petal.Width",funs(mean,max)) %>%
  select(Species:Petal.Width_mean,Petal.Width_max) %>% 
  rename(Max.Petal.Width = Petal.Width_max) %>%
  rename_(.dots = setNames(names(.), gsub("_.*$","",names(.))))

这有点令人费解，需要进行大量输入才能添加具有不同摘要的列。

谢谢

Answer 1

尽管这是一个老问题，但它仍然是一个有趣的问题，我有两个解决方案，我相信找到此页面的任何人都应该可以使用它们。

解决方案一

我自己的看法：

mapply(summarise_at, 
       .vars = lst(names(iris)[!names(iris)%in%"Species"], "Petal.Width"), 
       .funs = lst(mean, max), 
       MoreArgs = list(.tbl = iris %>% group_by(Species) %>% filter(Sepal.Length > 5))) 
%>% reduce(merge, by = "Species")

    #         Species Sepal.Length Sepal.Width Petal.Length Petal.Width.x Petal.Width.y
    #    1     setosa        5.314       3.714        1.509        0.2773           0.5
    #    2 versicolor        5.998       2.804        4.317        1.3468           1.8
    #    3  virginica        6.622       2.984        5.573        2.0327           2.5

解决方案二

受此讨论启发，使用 tidyverse 本身的包purrr的优雅解决方案：

list(.vars = lst(names(iris)[!names(iris)%in%"Species"], "Petal.Width"),
     .funs = lst("mean" = mean, "max" = max)) %>% 
      pmap(~ iris %>% group_by(Species) %>% filter(Sepal.Length > 5) %>% summarise_at(.x, .y)) 
      %>% reduce(inner_join, by = "Species")

+ + + # A tibble: 3 x 6
  Species    Sepal.Length Sepal.Width Petal.Length Petal.Width.x Petal.Width.y
  <fct>             <dbl>       <dbl>        <dbl>         <dbl>         <dbl>
1 setosa             5.31        3.71         1.51         0.277           0.5
2 versicolor         6.00        2.80         4.32         1.35            1.8
3 virginica          6.62        2.98         5.57         2.03            2.5

简短讨论

data.frame 和 tibble 是所需的结果，最后一列是petal.width的max ，另一列是所有其他列的平均值（按组和过滤器）。

这两种解决方案都取决于三个实现：

1. summarise_at接受两个列表作为参数， n 个变量之一和m 个函数之一，并将所有m 个函数应用于所有n 个变量，因此在小标题中生成m X n 个向量。 因此，该解决方案可能意味着强制此函数以某种方式在由我们希望应用一个特定函数的所有变量和一个函数，然后是另一组变量和它们自己的函数，等等所形成的“对”之间循环！
2. 现在，R 中的上述内容是什么？ 什么强制对两个列表的相应元素进行操作？ 诸如mapply之类的函数或函数家族map2 、 pmap及其变体来自dplyr的 tidyverse 伙伴purrr 。 两者都接受两个包含l 个元素的列表，并对两个列表的对应元素（按位置匹配）执行给定操作。
3. 因为产品不是 tibble 或 data.frame，而是一个列表，您只需要使用reduce和inner_join或只是merge 。

请注意，我获得的平均值与 OP 的平均值不同，但它们也是我通过他的可重复示例获得的平均值（也许我们有两个不同版本的iris数据集？）。

Answer 2

如果你想做一些更复杂的事情，你可以编写自己的summarize_at版本。 使用此版本，您可以提供列名、函数和命名规则的三元组。 例如

这是一个艰难的开始

my_summarise_at<-function (.tbl, ...) 
{
    dots <- list(...)
    stopifnot(length(dots)%%3==0)
    vars <- do.call("append", Map(function(.cols, .funs, .name) {
        cols <- select_colwise_names(.tbl, .cols)
        funs <- as.fun_list(.funs, .env = parent.frame())
        val<-colwise_(.tbl, funs, cols)
        names <- sapply(names(val), function(x) gsub("%", x, .name))
        setNames(val, names)
    }, dots[seq_along(dots)%%3==1], dots[seq_along(dots)%%3==2], dots[seq_along(dots)%%3==0]))
    summarise_(.tbl, .dots = vars)
}
environment(my_summarise_at)<-getNamespace("dplyr")

你可以用

iris %>%
  group_by(Species) %>%
  filter(Sepal.Length > 5) %>%
  my_summarise_at("Sepal.Length:Petal.Width", mean, "%_mean", 
      "Petal.Width", max, "%_max")

对于名称，我们只是将“%”替换为默认名称。 这个想法只是动态构建summarize_表达式。 summarize_at函数实际上只是该基本函数的一个方便的包装器。

Answer 3

我正在寻找类似的东西并尝试了以下方法。 与建议的解决方案相比，它运行良好且易于阅读。

iris %>% 
group_by(Species) %>%
filter(Sepal.Length > 5) %>% 
summarise(MeanSepalLength=mean(Sepal.Length), 
MeanSepalWidth = mean(Sepal.Width),
MeanPetalLength=mean(Petal.Length),
MeanPetalWidth=mean(Petal.Width), 
MaxPetalWidth=max(Petal.Width))

# A tibble: 3 x 6
Species    MeanSepalLength MeanSepalWidth MeanPetalLength MeanPetalWidth MaxPetalWidth
<fct>                <dbl>          <dbl>           <dbl>          <dbl>         <dbl>
1 setosa                5.01           3.43            1.46          0.246           0.6
2 versicolor            5.94           2.77            4.26          1.33            1.8
3 virginica             6.59           2.97            5.55          2.03            2.5

在 summarise() 部分，定义您的列名并让您的列在您选择的函数内进行汇总。

Answer 4

如果你正在尝试做的一切dplyr（这可能是更容易记住），那么你就可以利用新的across功能，将可从dplyr 1.0.0 。

iris %>%
  group_by(Species) %>%
  filter(Sepal.Length > 5) %>% 
  summarize(across(Sepal.Length:Petal.Width, mean)) %>% 
  cbind(iris %>% 
          group_by(Species) %>% 
          summarize(across(Petal.Width, max)) %>% 
          select(-Species)
  )

它表明唯一的困难是在分组变量的同一列Petal.Width上组合两个计算 - 您必须再次进行分组但可以将其嵌套到cbind 。 这将正确返回结果：

     Species Sepal.Length Sepal.Width Petal.Length Petal.Width Petal.Width
1     setosa     5.313636    3.713636     1.509091   0.2772727         0.6
2 versicolor     5.997872    2.804255     4.317021   1.3468085         1.8
3  virginica     6.622449    2.983673     5.573469   2.0326531         2.5

如果任务不会指定两个计算，而只在同一列Petal.Width上指定一个，那么这可以优雅地写为：

iris %>%
  group_by(Species) %>%
  filter(Sepal.Length > 5) %>% 
  summarize(
    across(Sepal.Length:Petal.Length, mean),
    across(Petal.Width, max)
  )