在 R dplyr 包中向 summarize_at 添加额外变量
Adding extra variables to summarize_at in the R dplyr package
我正在使用 R 的 dplyr 包来获取几个变量的汇总统计信息，其中许多变量的名称都相似。例如，我有数百个变量都命名为 doctor_id_X，其中 X 是某个整数（例如 doctor_id_1、doctor_id_33、doctor_id_543 等） .我能够轻松获得这些“doctor_id”变量的最大值，按 treatment1 分组，在 summarize_at 语句中使用所谓的 "helpers"，如下所示：
mydf %>% group_by(treatment1) %>%
summarize_at(vars(contains("doctor_id")), max)
但是，除了获得这些 max 统计数据之外，我还试图获得一些其他变量的平均值，这些变量的名称与 doctor_id 变量之一不同，称之为 procedure_time。有没有办法通过修改上面的代码来有效地做到这一点？
为了更好地解释我正在尝试做的事情，这里有一个数据框的玩具示例：
library(dplyr)
set.seed(20190813)
mydf <- data.frame(treatment1 = sample(LETTERS[1:3], 100, replace=TRUE),
treatment2 = sample(LETTERS[4:5], 100, replace=TRUE),
doctor_id_1=rbinom(100, 1, .01),
doctor_id_2=rbinom(100, 1, .5),
doctor_id_3=rbinom(100, 1, .6),
doctor_id_4=rbinom(100, 1, .7),
y=rnorm(100))
head(mydf)
treatment1 treatment2 doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4 y
1 A D 0 0 1 0 -1.1175362
2 A E 0 0 1 1 -2.2813598
3 A D 0 1 1 0 0.5886914
4 A D 0 0 1 1 0.9854405
5 B E 0 0 1 1 1.8831306
6 A E 0 1 1 1 -0.3875261
通过 doctor_id 变量获取 max 值摘要没有问题：
mydf %>% group_by(treatment1) %>%
summarize_at(vars(contains("doctor_id")), max)
# A tibble: 3 x 5
treatment1 doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
<fct> <int> <int> <int> <int>
1 A 1 1 1 1
2 B 0 1 1 1
3 C 0 1 1 1
但是现在，我还想在我的总结语句中找到 y 的 mean。我试过了，但没用：
mydf %>% group_by(treatment1) %>%
summarize_at(y_avg=mean(y), vars(y, contains("doctor_id")), max)
但是，我确实注意到，下面的内容让我更接近我想要的，只是它为所有 doctor_id 变量和 y 变量生成了 max ，但我只需要 mean 作为 y 变量。
mydf %>% group_by(treatment1) %>%
summarize_at(vars(y, contains("doctor_id")), max)
# A tibble: 3 x 6
treatment1 y doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
<fct> <dbl> <int> <int> <int> <int>
1 A 1.70 1 1 1 1
2 B 1.88 0 1 1 1
3 C 1.45 0 1 1 1
这也让我很接近，但它会为两个变量生成两个统计数据：
mydf %>% group_by(treatment1) %>%
summarize_at(vars(y, contains("doctor_id")), c(max, mean))
所以，总而言之，我的问题是，有没有什么方法可以在 summarize_by 语句中使用辅助函数，并且还包括另一个变量的不同统计信息，而不必求助于加入？
这是一个选项，我们可以使用 mutate（然后也将其添加到 group_by）或直接在 group_by 之后创建一个变量 'y_avg' 'treatment' 分组数据，然后执行 summarise_at
library(dplyr)
mydf %>%
group_by(treatment1) %>%
group_by(y_avg = mean(y), add = TRUE ) %>%
summarize_at(vars(contains("doctor_id")), max)
# A tibble: 3 x 6
# Groups: treatment1 [3]
# treatment1 y_avg doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
# <fct> <dbl> <int> <int> <int> <int>
#1 A -0.216 0 1 1 1
#2 B 0.0659 0 1 1 1
#3 C -0.00830 1 1 1 1
或者另一种选择是在 mutate 中创建 'y_avg' 然后在 group_by
中使用它
mydf %>%
group_by(treatment1) %>%
mutate(y_avg = mean(y) %>%
group_by(y_avg, add = TRUE) %>%
summarize_at(vars(contains("doctor_id")), max)
或者另一种选择是 select 只有感兴趣的变量，在按 'treatment' 分组后使用 mutate 和 mutate_at 更新列，然后 [=数据集的 23=] 行
mydf %>%
select(treatment1, y_avg = y, contains('doctor_id')) %>%
group_by(treatment1) %>%
mutate(y_avg = mean(y_avg)) %>%
mutate_at(vars(contains('doctor_id')), max) %>%
distinct
或带有 data.table
的选项
library(data.table)
setDT(mydf)[, c(.(y_avg = mean(y)), lapply(.SD, max)),
.(treatment1), .SDcols = grep('doctor_id', names(mydf))]
#. treatment1 y_avg doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
#1: C -0.008299684 1 1 1 1
#2: B 0.065875911 0 1 1 1
#3: A -0.216200359 0 1 1 1
我们可以 group_by treatment 使用 mutate 计算 y 的 mean，在 summarise_at 中添加该列以获得 max 所有列。
library(dplyr)
mydf %>%
group_by(treatment1) %>%
mutate(y_avg = mean(y)) %>%
summarise_at(vars(y_avg, contains("doctor_id")), max)
# A tibble: 3 x 6
# treatment1 y_avg doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
# <fct> <dbl> <int> <int> <int> <int>
#1 A -0.192 1 1 1 1
#2 B -0.0390 0 1 1 1
#3 C -0.165 0 1 1 1
我正在使用 R 的 dplyr 包来获取几个变量的汇总统计信息，其中许多变量的名称都相似。例如，我有数百个变量都命名为 doctor_id_X，其中 X 是某个整数（例如 doctor_id_1、doctor_id_33、doctor_id_543 等） .我能够轻松获得这些“doctor_id”变量的最大值，按 treatment1 分组，在 summarize_at 语句中使用所谓的 "helpers"，如下所示：
mydf %>% group_by(treatment1) %>%
summarize_at(vars(contains("doctor_id")), max)
但是，除了获得这些 max 统计数据之外，我还试图获得一些其他变量的平均值，这些变量的名称与 doctor_id 变量之一不同，称之为 procedure_time。有没有办法通过修改上面的代码来有效地做到这一点？
为了更好地解释我正在尝试做的事情，这里有一个数据框的玩具示例：
library(dplyr)
set.seed(20190813)
mydf <- data.frame(treatment1 = sample(LETTERS[1:3], 100, replace=TRUE),
treatment2 = sample(LETTERS[4:5], 100, replace=TRUE),
doctor_id_1=rbinom(100, 1, .01),
doctor_id_2=rbinom(100, 1, .5),
doctor_id_3=rbinom(100, 1, .6),
doctor_id_4=rbinom(100, 1, .7),
y=rnorm(100))
head(mydf)
treatment1 treatment2 doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4 y
1 A D 0 0 1 0 -1.1175362
2 A E 0 0 1 1 -2.2813598
3 A D 0 1 1 0 0.5886914
4 A D 0 0 1 1 0.9854405
5 B E 0 0 1 1 1.8831306
6 A E 0 1 1 1 -0.3875261
通过 doctor_id 变量获取 max 值摘要没有问题：
mydf %>% group_by(treatment1) %>%
summarize_at(vars(contains("doctor_id")), max)
# A tibble: 3 x 5
treatment1 doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
<fct> <int> <int> <int> <int>
1 A 1 1 1 1
2 B 0 1 1 1
3 C 0 1 1 1
但是现在，我还想在我的总结语句中找到 y 的 mean。我试过了，但没用：
mydf %>% group_by(treatment1) %>%
summarize_at(y_avg=mean(y), vars(y, contains("doctor_id")), max)
但是，我确实注意到，下面的内容让我更接近我想要的，只是它为所有 doctor_id 变量和 y 变量生成了 max ，但我只需要 mean 作为 y 变量。
mydf %>% group_by(treatment1) %>%
summarize_at(vars(y, contains("doctor_id")), max)
# A tibble: 3 x 6
treatment1 y doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
<fct> <dbl> <int> <int> <int> <int>
1 A 1.70 1 1 1 1
2 B 1.88 0 1 1 1
3 C 1.45 0 1 1 1
这也让我很接近，但它会为两个变量生成两个统计数据：
mydf %>% group_by(treatment1) %>%
summarize_at(vars(y, contains("doctor_id")), c(max, mean))
所以，总而言之，我的问题是，有没有什么方法可以在 summarize_by 语句中使用辅助函数，并且还包括另一个变量的不同统计信息，而不必求助于加入？
这是一个选项，我们可以使用 mutate（然后也将其添加到 group_by）或直接在 group_by 之后创建一个变量 'y_avg' 'treatment' 分组数据，然后执行 summarise_at
library(dplyr)
mydf %>%
group_by(treatment1) %>%
group_by(y_avg = mean(y), add = TRUE ) %>%
summarize_at(vars(contains("doctor_id")), max)
# A tibble: 3 x 6
# Groups: treatment1 [3]
# treatment1 y_avg doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
# <fct> <dbl> <int> <int> <int> <int>
#1 A -0.216 0 1 1 1
#2 B 0.0659 0 1 1 1
#3 C -0.00830 1 1 1 1
或者另一种选择是在 mutate 中创建 'y_avg' 然后在 group_by
mydf %>%
group_by(treatment1) %>%
mutate(y_avg = mean(y) %>%
group_by(y_avg, add = TRUE) %>%
summarize_at(vars(contains("doctor_id")), max)
或者另一种选择是 select 只有感兴趣的变量，在按 'treatment' 分组后使用 mutate 和 mutate_at 更新列，然后 [=数据集的 23=] 行
mydf %>%
select(treatment1, y_avg = y, contains('doctor_id')) %>%
group_by(treatment1) %>%
mutate(y_avg = mean(y_avg)) %>%
mutate_at(vars(contains('doctor_id')), max) %>%
distinct
或带有 data.table
library(data.table)
setDT(mydf)[, c(.(y_avg = mean(y)), lapply(.SD, max)),
.(treatment1), .SDcols = grep('doctor_id', names(mydf))]
#. treatment1 y_avg doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
#1: C -0.008299684 1 1 1 1
#2: B 0.065875911 0 1 1 1
#3: A -0.216200359 0 1 1 1
我们可以 group_by treatment 使用 mutate 计算 y 的 mean，在 summarise_at 中添加该列以获得 max 所有列。
library(dplyr)
mydf %>%
group_by(treatment1) %>%
mutate(y_avg = mean(y)) %>%
summarise_at(vars(y_avg, contains("doctor_id")), max)
# A tibble: 3 x 6
# treatment1 y_avg doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
# <fct> <dbl> <int> <int> <int> <int>
#1 A -0.192 1 1 1 1
#2 B -0.0390 0 1 1 1
#3 C -0.165 0 1 1 1