首页 文章

dplyr：子分组（group_by）数据帧上的colSums：优雅

提问于
浏览 次
8

我有一个非常大的数据框（265,874 x 30），有三个明智的组：年龄类别（1-6），日期（5479这样）和地理位置（总共4个） . 每条记录包括每个记录中的一个选项，以及27个计数变量 . 我想按每个分组变量进行分组，然后对得到的子分组27变量进行colSums . 我一直在尝试使用 dplyr （v0.2）来做这件事，因为手动完成它会最终设置很多冗余的东西（或者通过循环来迭代分组选项，因为缺乏优雅的解决方案） .

Example code ：

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))

然后我想做的是......

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

但这并不常用，因为colSums（）的结果不是数据帧 . 如果我施展它，它的工作原理：

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

但最后的做（...）位看起来非常笨重 .

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汇总数据框 .

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

编辑：建议的结果

Three solutions ：

  • 我在帖子中的建议：已过去，146.765秒 .

  • @joran的建议如下：6.902秒

  • @ 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 在我的数据集上执行大致相同，并且两者在正确使用时比我昨天提出的黑客解决方案快得多 .

r dplyr

2 回答

  • 8

    除非我遗漏了某些东西，否则这似乎是 summarise_each （ colwise 的一种 colwise 类似物）的作业：

    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 .

    （据我所知， summarise_each 在 dplyr 的0.2版本中，但在0.1.3中没有 . ）

    回复于
  • 1

    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() .

    回复于

相关问题