Группировать по нескольким столбцам в dplyr, используя ввод векторной строки

Я пытаюсь передать свое понимание plyr в dplyr, но я не могу понять, как группировать по нескольким столбцам.

# 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

Что мне не хватает для перевода примера plyr в синтаксис dplyr-esque?

Изменить 2017: Dplyr обновлен, поэтому доступно более простое решение. См. Текущий выбранный ответ.

Ответ 1

Поскольку этот вопрос был отправлен, dplyr добавила в него версии group_by (здесь). Это позволяет использовать те же функции, которые вы использовали бы с помощью select, например:

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 

Вывод из вашего примерного вопроса, как и ожидалось (см. сравнение с plyr выше и ниже):

# 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

Обратите внимание, что поскольку dplyr::summarize удаляет только один слой группировки за один раз, вы все равно получаете некоторую группировку в итоговой форме (которая может когда-нибудь улавливать людей в порядке убывания позже строки). Если вы хотите быть абсолютно безопасным от неожиданного поведения группировки, вы всегда можете добавить %>% ungroup к своему конвейеру после того, как суммируете.

Ответ 2

Просто чтобы написать код в полном объеме, здесь обновление по Hadley отвечает новым синтаксисом:

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())

выход:

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

Ответ 3

Поддержка этого в dplyr в настоящее время довольно слаба, в конце концов я думаю, что синтаксис будет примерно таким:

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

Но это, вероятно, не будет там какое-то время (потому что мне нужно продумать все последствия).

Тем временем вы можете использовать regroup(), который принимает список символов:

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())

Если у вас есть вектор символов имен столбцов, вы можете преобразовать их в нужную структуру с помощью lapply() и as.symbol():

vars <- setdiff(names(df), "value")
vars2 <- lapply(vars, as.symbol)

df %.% regroup(vars2) %.% summarise(n = n())

Ответ 4

Строковая спецификация столбцов в dplyr теперь поддерживается вариантами функций dplyr с именами, заканчивающимися в подчеркивании. Например, для функции group_by существует функция group_by_, которая может принимать строковые аргументы. Эта виньетка подробно описывает синтаксис этих функций.

Следующий фрагмент полностью решает проблему, которую изначально поставил @sharoz (обратите внимание на необходимость выписать аргумент .dots):

# Given data and columns from the OP

data %>%
    group_by_(.dots = columns) %>%
    summarise(Value = mean(value))

(Обратите внимание, что dplyr теперь использует оператор %>%, а %.% устарел).

Ответ 5

До тех пор, пока dplyr не будет полностью поддерживать строковые аргументы, возможно, этот смысл полезен:

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

Он содержит множество функций-оболочек, таких как s_group_by, s_mutate, s_filter и т.д., которые используют строковые аргументы. Вы можете смешивать их с обычными функциями dplyr. Например

cols = c("cyl","gear")
mtcars %.%
  s_group_by(cols) %.%  
  s_summarise("avdisp=mean(disp), max(disp)") %.%
  arrange(avdisp)

Ответ 6

Он работает, если вы передаете ему объекты (ну, вы не, но...), а не как вектор символов:

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

где df был вашим data.

?group_by говорит:

 ...: variables to group by. All tbls accept variable names, some
      will also accept functons of variables. Duplicated groups
      will be silently dropped.

который я интерпретирую как означающий не имена символов имен, но как вы относитесь к ним в foo$bar; bar здесь не цитируется. Или как вы относитесь к переменным в формуле: foo ~ bar.

@Arun также упоминает, что вы можете сделать:

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

Но вы не можете передать что-то, что не оценено, это не имя переменной в объекте данных.

Я предполагаю, что это связано с внутренними методами, которые Хэдли использует для поиска вещей, которые вы проходите через аргумент ....

Ответ 7

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))

Ответ 8

Один (крошечный) случай, отсутствующий в ответах здесь, который я хотел бы сделать явным, - это когда переменные, которые группируются, генерируются динамически в потоке в конвейере:

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_")
  )

В основном это показывает, как использовать grep в сочетании с group_by_(.dots = ...) для достижения этого.

Ответ 9

Общий пример использования аргумента .dots качестве входного вектора символов для функции dplyr::group_by:

iris %>% 
    group_by(.dots ="Species") %>% 
    summarise(meanpetallength = mean(Petal.Length))

Или без жестко закодированного имени для группирующей переменной (согласно запросу OP):

iris %>% 
    group_by(.dots = names(iris)[5]) %>% 
    summarise_at("Petal.Length", mean)

На примере ОП:

data %>% 
    group_by(.dots =names(data)[-3]) %>% 
    summarise_at("value", mean)

См. Также виньетка dplyr по программированию, которая объясняет местоимения, квази-цитаты, фразы и тидевал.