在返回的列事先未知时进行分组和汇总
Grouping and summarising when the columns returned are not known in advance
我有一个数据框——比如 x——它提供一个函数，该函数 returns 一个子集取决于列 x$id 的值。
此子集 y 包含一个列 y$room，该列包含不同的值组合，具体取决于 x$id 值。
然后用 tidyr 展开子集，y$room 的值变成列。
然后生成的扩展 df --say ext_y-- 必须按列分组 y_ext$visit 并且应该通过特殊函数计算剩余列的摘要统计信息。
明显的问题是这些列是事先不知道的，因此不能在函数中通过它们的名称来定义。
当涉及 group_by 时，使用列索引而不是名称的替代方法似乎不适用于 dplyr。
您知道如何解决这个问题吗？
数据框有数千行，所以我只给你看一眼：
> tail(y)
id visit room value
11940 14 2 living room 19
11941 14 2 living room 16
11942 14 2 living room 15
11943 14 2 living room 22
11944 14 2 living room 25
11945 14 2 living room 20
> unique(x$id)
[1] 14 20 41 44 46 54 64 74 104 106
> unique(x$visit)
[1] 0 1 2
> unique(x$room)
[1] "bedroom" "living room" "family room" "study room" "den"
[6] "tv room" "office" "hall" "kitchen" "dining room"
> summary(x$value)
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.000 2.750 7.875 17.410 16.000 1775.000
对于给定的 id，tidyr 的 spread() returns 只是 x 中房间值的一个子集。例如。对于 id = 54:
> y<- out
> y$row <- 1 : nrow(y)
> y_ext <- spread(y, room, value)
> head(y_ext)
id visit row bedroom family room living room
1 14 0 1 6.00 NA NA
2 14 0 2 6.00 NA NA
3 14 0 3 2.75 NA NA
4 14 0 4 2.75 NA NA
5 14 0 5 2.75 NA NA
6 14 0 6 2.75 NA NA
现在，我必须编写一个函数，按访问对结果进行分组，并按以下形式汇总为每个组返回的列：
visit bedroom family room living room
1 0 NA 2.79 3.25
2 1 NA NA 4.53
3 2 4.19 3.77 NA
正如我上面提到的，我事先不知道对于给定的 ID 将返回哪些列，这使问题变得复杂。当然，捷径是
检查并找出每个 id 返回了哪些列，然后创建一个
if 结构将每个 id 指向适当的代码，但恐怕这不是很优雅。
希望这有助于给你一个更好的画面。
好吧，这对我来说很有趣，所以我自己制作了一些示例数据：
nSamples <- 50
allRooms <-
c("Living", "Dining", "Bedroom", "Master", "Family", "Garage", "Office")
set.seed(8675309)
df <-
data_frame(
id = sample(1:5, nSamples, TRUE)
, visit = sample(1:3, nSamples, TRUE)
, room = sample(allRooms, nSamples, TRUE)
, value = round(rnorm(nSamples, 20, 5))
)
在我看来，共有三种方法，按合理性升序排列。第一个选择是遵循您的基本布局。在这里，我将 df 拆分为 id，按照说明展开，然后使用 summarise_all 进行求和，无需明确识别房间名称。
df %>%
split(.$id) %>%
lapply(function(x){
x %>%
select(-id) %>%
mutate(row = 1:n()) %>%
spread(room, value) %>%
select(-row) %>%
group_by(visit) %>%
summarise_all(sum, na.rm = TRUE)
})
这 returns 以下（注意唯一列）：
$`1`
# A tibble: 3 × 6
visit Bedroom Dining Garage Master Office
<int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 0 27 27 0 0
2 2 22 19 0 20 23
3 3 0 0 0 27 0
$`2`
# A tibble: 3 × 6
visit Bedroom Dining Family Living Office
<int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 15 0 0 0 17
2 2 0 14 42 30 0
3 3 15 13 18 0 20
$`3`
# A tibble: 3 × 6
visit Bedroom Dining Living Master Office
<int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 24 0 36 0 28
2 2 0 0 15 30 0
3 3 0 25 21 0 15
$`4`
# A tibble: 3 × 7
visit Bedroom Dining Garage Living Master Office
<int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 0 0 23 20 0 24
2 2 0 28 22 0 0 0
3 3 24 0 36 0 16 0
$`5`
# A tibble: 3 × 8
visit Bedroom Dining Family Garage Living Master Office
<int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 23 0 0 21 0 16 0
2 2 44 14 41 0 26 0 18
3 3 21 19 0 0 25 19 0
但是，因为您必须添加行才能使 spread 起作用（没有它，就没有唯一的条目），所以 spread 实际上没有帮助。如果你先做总结，你可以更容易地得到同样的东西，就像这样：
df %>%
split(.$id) %>%
lapply(function(x){
x %>%
select(-id) %>%
group_by(visit, room) %>%
summarise(Sum = sum(value)) %>%
spread(room, Sum, 0)
})
请注意，由于 fill 参数的最后一个 0，它为没有访问过的房间提供 0。如果您希望 returns NA，您可以保留默认值。
最后，不清楚您为什么要首先单独执行此操作。在一个大 group_by 中完成所有这些并在事后根据需要处理缺失可能更有意义。也就是说，获得相同摘要的代码要少得多。
df %>%
group_by(id, visit, room) %>%
summarise(sum = sum(value)) %>%
spread(room, sum)
给予
id visit Bedroom Dining Family Garage Living Master Office
* <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 1 NA 27 NA 27 NA NA NA
2 1 2 22 19 NA NA NA 20 23
3 1 3 NA NA NA NA NA 27 NA
4 2 1 15 NA NA NA NA NA 17
5 2 2 NA 14 42 NA 30 NA NA
6 2 3 15 13 18 NA NA NA 20
7 3 1 24 NA NA NA 36 NA 28
8 3 2 NA NA NA NA 15 30 NA
9 3 3 NA 25 NA NA 21 NA 15
10 4 1 NA NA NA 23 20 NA 24
11 4 2 NA 28 NA 22 NA NA NA
12 4 3 24 NA NA 36 NA 16 NA
13 5 1 23 NA NA 21 NA 16 NA
14 5 2 44 14 41 NA 26 NA 18
15 5 3 21 19 NA NA 25 19 NA
如果您只想过滤到一个 id，请在事后使用 filter，然后删除包含所有 NA 条目的列。 （请注意，您可能会保存输出一次，然后为每个感兴趣的 id 通过最后两行传递一次，例如，在打印时）
df %>%
group_by(id, visit, room) %>%
summarise(sum = sum(value)) %>%
spread(room, sum) %>%
filter(id == 1) %>%
select_if(function(col) mean(is.na(col)) != 1)
给予
id visit Bedroom Dining Garage Master Office
<int> <int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 1 NA 27 27 NA NA
2 1 2 22 19 NA 20 23
3 1 3 NA NA NA 27 NA
我有一个数据框——比如 x——它提供一个函数，该函数 returns 一个子集取决于列 x$id 的值。
此子集 y 包含一个列 y$room，该列包含不同的值组合，具体取决于 x$id 值。
然后用 tidyr 展开子集，y$room 的值变成列。
然后生成的扩展 df --say ext_y-- 必须按列分组 y_ext$visit 并且应该通过特殊函数计算剩余列的摘要统计信息。
明显的问题是这些列是事先不知道的，因此不能在函数中通过它们的名称来定义。
当涉及 group_by 时，使用列索引而不是名称的替代方法似乎不适用于 dplyr。
您知道如何解决这个问题吗？
数据框有数千行，所以我只给你看一眼：
> tail(y)
id visit room value
11940 14 2 living room 19
11941 14 2 living room 16
11942 14 2 living room 15
11943 14 2 living room 22
11944 14 2 living room 25
11945 14 2 living room 20
> unique(x$id)
[1] 14 20 41 44 46 54 64 74 104 106
> unique(x$visit)
[1] 0 1 2
> unique(x$room)
[1] "bedroom" "living room" "family room" "study room" "den"
[6] "tv room" "office" "hall" "kitchen" "dining room"
> summary(x$value)
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.000 2.750 7.875 17.410 16.000 1775.000
对于给定的 id，tidyr 的 spread() returns 只是 x 中房间值的一个子集。例如。对于 id = 54:
> y<- out
> y$row <- 1 : nrow(y)
> y_ext <- spread(y, room, value)
> head(y_ext)
id visit row bedroom family room living room
1 14 0 1 6.00 NA NA
2 14 0 2 6.00 NA NA
3 14 0 3 2.75 NA NA
4 14 0 4 2.75 NA NA
5 14 0 5 2.75 NA NA
6 14 0 6 2.75 NA NA
现在，我必须编写一个函数，按访问对结果进行分组，并按以下形式汇总为每个组返回的列：
visit bedroom family room living room
1 0 NA 2.79 3.25
2 1 NA NA 4.53
3 2 4.19 3.77 NA
正如我上面提到的，我事先不知道对于给定的 ID 将返回哪些列，这使问题变得复杂。当然，捷径是 检查并找出每个 id 返回了哪些列，然后创建一个 if 结构将每个 id 指向适当的代码，但恐怕这不是很优雅。
希望这有助于给你一个更好的画面。
好吧，这对我来说很有趣，所以我自己制作了一些示例数据：
nSamples <- 50
allRooms <-
c("Living", "Dining", "Bedroom", "Master", "Family", "Garage", "Office")
set.seed(8675309)
df <-
data_frame(
id = sample(1:5, nSamples, TRUE)
, visit = sample(1:3, nSamples, TRUE)
, room = sample(allRooms, nSamples, TRUE)
, value = round(rnorm(nSamples, 20, 5))
)
在我看来，共有三种方法，按合理性升序排列。第一个选择是遵循您的基本布局。在这里，我将 df 拆分为 id，按照说明展开，然后使用 summarise_all 进行求和，无需明确识别房间名称。
df %>%
split(.$id) %>%
lapply(function(x){
x %>%
select(-id) %>%
mutate(row = 1:n()) %>%
spread(room, value) %>%
select(-row) %>%
group_by(visit) %>%
summarise_all(sum, na.rm = TRUE)
})
这 returns 以下（注意唯一列）：
$`1`
# A tibble: 3 × 6
visit Bedroom Dining Garage Master Office
<int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 0 27 27 0 0
2 2 22 19 0 20 23
3 3 0 0 0 27 0
$`2`
# A tibble: 3 × 6
visit Bedroom Dining Family Living Office
<int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 15 0 0 0 17
2 2 0 14 42 30 0
3 3 15 13 18 0 20
$`3`
# A tibble: 3 × 6
visit Bedroom Dining Living Master Office
<int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 24 0 36 0 28
2 2 0 0 15 30 0
3 3 0 25 21 0 15
$`4`
# A tibble: 3 × 7
visit Bedroom Dining Garage Living Master Office
<int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 0 0 23 20 0 24
2 2 0 28 22 0 0 0
3 3 24 0 36 0 16 0
$`5`
# A tibble: 3 × 8
visit Bedroom Dining Family Garage Living Master Office
<int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 23 0 0 21 0 16 0
2 2 44 14 41 0 26 0 18
3 3 21 19 0 0 25 19 0
但是，因为您必须添加行才能使 spread 起作用（没有它，就没有唯一的条目），所以 spread 实际上没有帮助。如果你先做总结，你可以更容易地得到同样的东西，就像这样：
df %>%
split(.$id) %>%
lapply(function(x){
x %>%
select(-id) %>%
group_by(visit, room) %>%
summarise(Sum = sum(value)) %>%
spread(room, Sum, 0)
})
请注意，由于 fill 参数的最后一个 0，它为没有访问过的房间提供 0。如果您希望 returns NA，您可以保留默认值。
最后，不清楚您为什么要首先单独执行此操作。在一个大 group_by 中完成所有这些并在事后根据需要处理缺失可能更有意义。也就是说，获得相同摘要的代码要少得多。
df %>%
group_by(id, visit, room) %>%
summarise(sum = sum(value)) %>%
spread(room, sum)
给予
id visit Bedroom Dining Family Garage Living Master Office
* <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 1 NA 27 NA 27 NA NA NA
2 1 2 22 19 NA NA NA 20 23
3 1 3 NA NA NA NA NA 27 NA
4 2 1 15 NA NA NA NA NA 17
5 2 2 NA 14 42 NA 30 NA NA
6 2 3 15 13 18 NA NA NA 20
7 3 1 24 NA NA NA 36 NA 28
8 3 2 NA NA NA NA 15 30 NA
9 3 3 NA 25 NA NA 21 NA 15
10 4 1 NA NA NA 23 20 NA 24
11 4 2 NA 28 NA 22 NA NA NA
12 4 3 24 NA NA 36 NA 16 NA
13 5 1 23 NA NA 21 NA 16 NA
14 5 2 44 14 41 NA 26 NA 18
15 5 3 21 19 NA NA 25 19 NA
如果您只想过滤到一个 id，请在事后使用 filter，然后删除包含所有 NA 条目的列。 （请注意，您可能会保存输出一次，然后为每个感兴趣的 id 通过最后两行传递一次，例如，在打印时）
df %>%
group_by(id, visit, room) %>%
summarise(sum = sum(value)) %>%
spread(room, sum) %>%
filter(id == 1) %>%
select_if(function(col) mean(is.na(col)) != 1)
给予
id visit Bedroom Dining Garage Master Office
<int> <int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 1 NA 27 27 NA NA
2 1 2 22 19 NA 20 23
3 1 3 NA NA NA 27 NA