dplyr 汇总用户定义函数的多个输入值

Question

我有一个数据框 df，我想确定 col1 中满足 col2.

条件的唯一值的比例

set.seed(137)
df <- data.frame(col1 = sample(LETTERS, 100, TRUE), 
                 col2 = sample(-75:75, 100, TRUE), 
                 col3 = sample(-75:75, 100, TRUE))

df$col2[c(23, 48, 78)] <- NA
df$col3[c(37, 68, 81)] <- NA

例如，我想在 col1 中找到所有唯一值，这些值在 col2 中的值在 -10 到 10 范围内。

df %>%  
  mutate(unqCol1 = n_distinct(col1)) %>% 
  group_by(col1) %>% 
  mutate(freq = sum(between(col2, -10, 10), na.rm = TRUE)) %>% 
  filter(freq > 0) %>% distinct(col1, unqCol1) %>% 
  ungroup() %>%  
  summarise(nrow(.)/unqCol1) %>% 
  unique()

这导致：

# A tibble: 1 x 1
  `nrow(.)/unqCol1`
              <dbl>
1             0.423

虽然上面的代码片段不是一种有效的方法，但我尝试在单个管道命令中获得结果，它为我提供了正确的输出（重写上述代码的任何巧妙方法都非常值得赞赏)。我已经使用基本 R 方法重新确认了输出：

length(unique(df$col1[df$col2 >= -10 & df$col2 <= 10 & !is.na(df$col2)]))/length(unique(df$col1))

我想在一个函数中重写上面的 dplyr 代码，以便可以使用多个 n 值（此处：n=10）复制该范围（也适用于多列）。这可能吗？或者我应该在代码本身（没有函数）中传递多个值，比如 apply-family idea?

Answer 1

如您所见，您的 (dplyr) 代码过于复杂。您可以在不对数据分组的情况下计算感兴趣的比例：

df %>% 
  tidyr::drop_na() %>%
  filter(between(col2, -10, 10)) %>% 
  summarize(prop = n_distinct(col1) / n_distinct(df$col1))

一个计算比例的函数是：

my_summary <- function(df, ...) {
   df %>% 
     tidyr::drop_na() %>%
     filter(...) %>% 
     summarize(
       prop = n_distinct(col1) / n_distinct(df$col1)
     )
}

例如

> my_summary(df, between(col2, -10, 10))
       prop
1 0.4230769

给出你问题中的比例。

编辑

您可以矢量化 my_summary() 并使用 outer() 获得 col 和 n:

组合的比例矩阵

my_summary <- function(col, n) {
  df %>% 
    tidyr::drop_na() %>%
    filter(between(!!as.name(col), -n, n)) %>% 
    summarize(
      prop = n_distinct(col1) / n_distinct(df$col1)
    )
}
my_summary_v <- Vectorize(my_summary)

> outer(c("col2", "col3"), c(10, 20, 30), my_summary_v)
     [,1]      [,2]      [,3]     
[1,] 0.4230769 0.5384615 0.6538462
[2,] 0.4230769 0.6538462 0.6923077

dplyr 汇总用户定义函数的多个输入值

dplyr summarise for multiple input values for a user defined function

r

dplyr

summarize