使用 group_by（多个变量）时的 dplyr 问题

Posted 2023-02-27

【中文标题】使用 group_by（多个变量）时的 dplyr 问题

【英文标题】：dplyr issues when using group_by(multiple variables)

【发布时间】：2014-03-06 08:56:52

【问题描述】：

我想开始使用 dplyr 代替 ddply，但我不知道它是如何工作的（我已阅读文档）。

例如，为什么当我尝试 mutate() 时，“group_by”函数无法正常工作？

看mtcars：

图书馆（汽车）

假设我制作了一个 data.frame，它是 mtcars 的摘要，按“cyl”和“gear”分组：

df1 <- mtcars %.%
            group_by(cyl, gear) %.%
            summarise(
                newvar = sum(wt)
            )

然后说我想进一步总结这个数据框。使用 ddply 会很简单，但是当我尝试使用 dplyr 时，它实际上并不是“分组依据”：

df2 <- df1 %.%
            group_by(cyl) %.%
            mutate(
                newvar2 = newvar + 5
            )

仍然产生未分组的输出：

  cyl gear newvar newvar2
1   6    3  6.675  11.675
2   4    4 19.025  24.025
3   6    4 12.375  17.375
4   6    5  2.770   7.770
5   4    3  2.465   7.465
6   8    3 49.249  54.249
7   4    5  3.653   8.653
8   8    5  6.740  11.740

我的语法有问题吗？

---

编辑：

如果我用 plyr 和 ddply 来做这个：

df1 <- ddply(mtcars, .(cyl, gear), summarise, newvar = sum(wt))

然后得到第二个df：

df2 <- ddply(df1, .(cyl), summarise, newvar2 = sum(newvar) + 5)

但同样的方法，在 summarise() 函数中使用 sum(newvar) + 5 不适用于 dplyr...

【问题讨论】：

您能给我们提供与ddply 等效的plyr 代码吗？

“未分组”是什么意思？你期望每组一排？或者您希望同一组中的所有行都在彼此下方？

我希望第二个 df 只有三行（每个 cyl 一个），因为它看起来与我刚刚在编辑中添加的 ddply 参数......我认为这只是一个问题在我遗漏的地方添加一个论点？

那我觉得你混淆了mutate和summarise。

啊，原来如此。如果我想在汇总数据框的同时添加新变量，那么汇总是否会像变异一样有效？

【参考方案1】：

我遇到了类似的问题。我发现只需分离 plyr 即可解决：

detach(package:plyr)    
library(dplyr)

【讨论】：

在过去的一个半小时里一直坐在这里拉头发，试图理解为什么 dplyr 只是忽略了我的分组。很高兴知道我不只是疯了。

我无法弄清楚为什么代码在使用 summarize 时运行良好，但后来访问它时却没有。事实上，我在加载dplyr 后添加了plyr。这就是为什么。不确定它是否是最近添加的，但我最近在加载这两个时发现了这个：You have loaded plyr after dplyr - this is likely to cause problems. If you need functions from both plyr and dplyr, please load plyr first, then dplyr: library(plyr); library(dplyr)。

这种情况经常发生在dplyr 方法被重载的情况下。一个通用的解决方案是使用dplyr::summerise(...) 显式引用dplyr 的方法版本。

【参考方案2】：

让 Dickoa 的答案更进一步——正如 Hadley 所说，“总结剥离了一层分组”。它从您应用它的相反顺序剥离分组，因此您可以使用

mtcars %>%
 group_by(cyl, gear) %>%
 summarise(newvar = sum(wt)) %>%
 summarise(newvar2 = sum(newvar) + 5)

请注意，如果您在第二行中使用group_by(gear, cyl)，这将给出不同的答案。

让你的第一次尝试工作：

df1 <- mtcars %>%
 group_by(cyl, gear) %>%
 summarise(newvar = sum(wt))

df2 <- df1 %>%
 group_by(cyl) %>%
 summarise(newvar2 = sum(newvar)+5)

【讨论】：

我仍然想获得有关哈德利“剥离”隐喻的更好信息。有没有人对此有一些参考或其他已发布的答案？

cran.rstudio.com/web/packages/dplyr/vignettes/introduction.html，请参阅包含以下短语的部分：“每个摘要都会剥离一层分组”

【参考方案3】：

如果您使用summarise 而不是mutate 将plyr 代码转换为dplyr，您会得到相同的结果。

library(plyr)
df1 <- ddply(mtcars, .(cyl, gear), summarise, newvar = sum(wt))
df2 <- ddply(df1, .(cyl), summarise, newvar2 = sum(newvar) + 5)
df2
##   cyl newvar2
## 1   4  30.143
## 2   6  26.820
## 3   8  60.989

detach(package:plyr)    
library(dplyr)
mtcars %.%
    group_by(cyl, gear) %.%
    summarise(newvar = sum(wt)) %.%
    group_by(cyl) %.%
    summarise(newvar2 = sum(newvar) + 5)
##   cyl newvar2
## 1   4  30.143
## 2   8  60.989
## 3   6  26.820

编辑

由于summarise 丢弃了最后一组 (gear)，您可以跳过第二组 group_by（请参阅下面的 @hadley 评论）

library(dplyr)
mtcars %.%
    group_by(cyl, gear) %.%
    summarise(newvar = sum(wt)) %.%
    summarise(newvar2 = sum(newvar) + 5)
##   cyl newvar2
## 1   4  30.143
## 2   8  60.989
## 3   6  26.820

【讨论】：

所以第二个“group_by()”和“summarise()”调用会覆盖第一个？

是的，你也可以使用regroup 来强制执行。

这里不需要第二个group_by()，因为汇总会自动删除最后一个组（它折叠的组）。

谢谢@hadley 我不知道这个功能。

如果你因为某种原因不想分离plyr，你总是可以在group_by和summarize函数前面指定dplyr::。

【参考方案4】：

分离plyr 是解决问题的一种方法，因此您可以根据需要使用dplyr 函数...但是如果您需要plyr 中的其他函数来完成代码中的其他任务怎么办？

（在这个例子中，我已经加载了 dplyr 和 plyr 库）

假设我们有一个简单的data.frame，我们想要计算变量value的分组总和，当按gname的不同级别分组时

> dx<-data.frame(gname=c(1,1,1,2,2,2,3,3,3), value = c(2,2,2,4,4,4,5,6,7))
> dx
  gname value
1     1     2
2     1     2
3     1     2
4     2     4
5     2     4
6     2     4
7     3     5
8     3     6
9     3     7

但是当我们尝试使用我们认为会产生dplyr 分组总和时，会发生以下情况：

dx %>% group_by(gname) %>% mutate(mysum=sum(value))
Source: local data frame [9 x 3]
Groups: gname

  gname value mysum
1     1     2    36
2     1     2    36
3     1     2    36
4     2     4    36
5     2     4    36
6     2     4    36
7     3     5    36
8     3     6    36
9     3     7    36

它没有给我们想要的答案。可能是因为group_by 和或mutate 函数在dplyr 和plyr 之间的某些交互或重载。我们可以分离plyr，但另一种方法是对group_by 和mutate 的dplyr 版本进行唯一调用：

dx %>% dplyr::group_by(gname) %>% dplyr::mutate(mysum=sum(value))
Source: local data frame [9 x 3]
Groups: gname

  gname value mysum
1     1     2     6
2     1     2     6
3     1     2     6
4     2     4    12
5     2     4    12
6     2     4    12
7     3     5    18
8     3     6    18
9     3     7    18

现在我们看到它按预期工作。

【参考方案5】：

dplyr 正在按照您的示例中的预期工作。正如您所指定的那样，变异只会在创建 newvar2 时为 newvar 的每个值添加 5。无论您是否分组，这看起来都一样。但是，如果您指定按组不同的内容，您将得到不同的内容。例如：

df1 %.%
            group_by(cyl) %.%
            mutate(
                newvar2 = newvar + mean(cyl)
            )