什么是 R 中 plyr::ldply(tapply) 的 dplyr 等价物？

Posted 2023-02-14

【中文标题】什么是 R 中 plyr::ldply(tapply) 的 dplyr 等价物？

【英文标题】：What is the dplyr equivalent of plyr::ldply(tapply) in R?

【发布时间】：2015-08-16 07:56:10

【问题描述】：

最终，我试图实现类似于以下内容，但利用dplyr 而不是plyr：

library(dplyr)  
probs = seq(0, 1, 0.1)

plyr::ldply(tapply(mtcars$mpg, 
                   mtcars$cyl, 
                   function(x)  quantile(x, probs = probs) ))

#   .id   0%   10%   20%   30%   40%  50%   60%   70%   80%   90% 100%
# 1   4 21.4 21.50 22.80 22.80 24.40 26.0 27.30 30.40 30.40 32.40 33.9
# 2   6 17.8 17.98 18.32 18.98 19.40 19.7 20.48 21.00 21.00 21.16 21.4
# 3   8 10.4 11.27 13.90 14.66 15.04 15.2 15.44 15.86 16.76 18.28 19.2

我能想到的最好的dplyr 等价物是这样的：

library(tidyr)
probs = seq(0, 1, 0.1)

mtcars %>%
  group_by(cyl) %>%
  do(data.frame(prob = probs, stat = quantile(.$mpg, probs = probs))) %>%
  spread(prob, stat)

#   cyl    0   0.1   0.2   0.3   0.4  0.5   0.6   0.7   0.8   0.9    1
# 1   4 21.4 21.50 22.80 22.80 24.40 26.0 27.30 30.40 30.40 32.40 33.9
# 2   6 17.8 17.98 18.32 18.98 19.40 19.7 20.48 21.00 21.00 21.16 21.4
# 3   8 10.4 11.27 13.90 14.66 15.04 15.2 15.44 15.86 16.76 18.28 19.2

请注意，我还需要使用tidyr::spread。此外，请注意，我丢失了列标题的 % 格式，以便将第一列中的 .id 替换为 cyl。

问题：

是否有更好的基于dplyr 的方法来完成此任务 tapply %>% ldply链？ 有没有一种方法可以兼顾两者 没有跳过太多圈的世界？也就是说，获取% 第一列的格式和正确的 cyl 列名称？

【参考方案1】：

使用dplyr

library(dplyr)
mtcars %>% 
   group_by(cyl) %>% 
   do(data.frame(as.list(quantile(.$mpg,probs=probs)), check.names=FALSE))
#  cyl   0%   10%   20%   30%   40%  50%   60%   70%   80%   90% 100%
#1   4 21.4 21.50 22.80 22.80 24.40 26.0 27.30 30.40 30.40 32.40 33.9
#2   6 17.8 17.98 18.32 18.98 19.40 19.7 20.48 21.00 21.00 21.16 21.4
#3   8 10.4 11.27 13.90 14.66 15.04 15.2 15.44 15.86 16.76 18.28 19.2

或者使用data.table的选项

library(data.table)
as.data.table(mtcars)[, as.list(quantile(mpg, probs=probs)) , cyl]
#   cyl   0%   10%   20%   30%   40%  50%   60%   70%   80%   90% 100%
#1:   6 17.8 17.98 18.32 18.98 19.40 19.7 20.48 21.00 21.00 21.16 21.4
#2:   4 21.4 21.50 22.80 22.80 24.40 26.0 27.30 30.40 30.40 32.40 33.9
#3:   8 10.4 11.27 13.90 14.66 15.04 15.2 15.44 15.86 16.76 18.28 19.2

【讨论】：

想解释一下check.names = FALSE?

@JasonAlzkains 这是data.frame 中的一个参数，默认选项是check.names=TRUE。因此，如果列名以非数字值开头，则会将X 附加到它上面。相关代码为` if (check.names) vnames

【参考方案2】：

@akrun 的版本很好，但我会在do 语句中使用data_frame_。

mtcars %>% 
  group_by(cyl) %>% 
  do(data_frame_(quantile(.$mpg, probs = probs)))
## Source: local data frame [3 x 12]
## Groups: cyl
## 
##   cyl   0%   10%   20%   30%   40%  50%   60%   70%   80%   90% 100%
## 1   4 21.4 21.50 22.80 22.80 24.40 26.0 27.30 30.40 30.40 32.40 33.9
## 2   6 17.8 17.98 18.32 18.98 19.40 19.7 20.48 21.00 21.00 21.16 21.4
## 3   8 10.4 11.27 13.90 14.66 15.04 15.2 15.44 15.86 16.76 18.28 19.2

在进一步调查其工作原理后，看起来data_frame_ 与dplyr 中使用的常用 SE 逻辑不同。 data_frame_ 只接受一个参数 columns 并且确实需要一个 lazy_dots 参数。

如果它得到一个向量，它就可以工作，因为对单个参数的惰性求值是有效的。所以在这样的向量上使用data_frame_ 这个特性实际上可能是一个错误。

【讨论】：

不知道data_frame_ 以紧凑的方式工作。好资料！

有没有办法使用data_frame_() 生成长格式的输出呢？

@Arun：您可以使用lazy_dots，但这似乎有点过于复杂：data_frame_(lazyeval::lazy_dots(quantile(.$mpg, probs = probs)))。不知道更简单的解决方案。当然这相当于data_frame(quantile(.$mpg, probs = probs))。

@shadow - 非常有趣，不确定我是否完全理解为什么这行得通，我猜其他人会从你的回答中的解释中受益。

@JasonAizkalns +1。阴影，在我看来 data_frame() 和 data_frame_() 应该产生相同的结果..（因为一个是 SE 而另一个是 NSE）？