使用字符串向量输入在dplyr中按多列分组-Java 学习之路

132

我试图将我对plyr的理解转移到dplyr，但我无法弄清楚如何按多列分组 .

# 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-esque语法我缺少什么？

Edit 2017 ：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 .

9 回答

dplyr对此的支持目前相当薄弱，最终我认为语法类似于：

df %.% group_by(.groups = c("asdfgfTgdsx", "asdfk30v0ja"))

但那可能不会存在一段时间（因为我需要考虑所有后果） .

在此期间，您可以使用 regroup() ，其中包含符号列表：

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())

如果您有列名称的字符向量，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())

回复于 2024-04-30T04:07:11+08:00

自此问题发布以来，dplyr添加了范围版本的 group_by （documentation here） . 这使您可以使用与 select 相同的函数，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（请参阅上面的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 一次只剥离一层分组，因此您仍然会在生成的分组中进行一些分组（有时可能会让人感到困惑） . 如果您希望绝对安全地避免意外的分组行为，您可以在汇总后始终将 %>% ungroup 添加到管道中 .

回复于 2024-04-30T04:07:11+08:00

如果你传递对象（好吧，你不是，但是......）而不是作为一个字符向量，它是有效的：

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

df 是你的 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.

我解释为不是名字的字符版本，而是如何在 foo$bar 中引用它们;这里没有引用 bar . 或者你如何引用公式中的变量： foo ~ bar .

@Arun还提到你可以这样做：

df %.%
    group_by("asdfgfTgdsx", "asdfk30v0ja") %.%
    summarise(Value = mean(value))

但是你不能传递一些未评估的东西不是数据对象中变量的名称 .

我认为这是由于Hadley用于查找通过 ... 参数传递的内容的内部方法 .

回复于 2024-04-30T04:07:11+08:00

这里的答案中缺少的一个（微小的）案例，我希望明确表示，分组变量是在流水线的中游动态生成的：

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_")
  )

这基本上说明了如何使用 grep 与 group_by_(.dots = ...) 一起实现这一点 .

回复于 2024-04-30T04:07:11+08:00

23
现在， dplyr 函数的变体支持 dplyr 中列的字符串规范，其名称以下划线结尾 . 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 . This vignette详细描述了这些函数的语法 .

下面的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，并且不推荐使用 %.% ） .
回复于 2024-04-30T04:07:11+08:00

为了完整地编写代码，这里是关于Hadley使用新语法的答案的更新：

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

回复于 2024-04-30T04:07:11+08:00

1
在dplyr完全支持字符串参数之前，这个要点可能很有用：

https://gist.github.com/skranz/9681509

它包含一堆使用字符串参数的包装器函数，如s_group_by，s_mutate，s_filter等 . 您可以将它们与正常的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)
```
回复于 2024-04-30T04:07:11+08:00

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))

回复于 2024-04-30T04:07:11+08:00

10
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（由OP询问）：
```
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)
```
另见dplyr vignette on programming，它解释了代词，quasiquotation，quosures和tidyeval .
回复于 2024-04-30T04:07:11+08:00

使用字符串向量输入在dplyr中按多列分组

9 回答

相关问题