使用 dplyr 对多列进行不同操作的汇总

Posted

技术标签:

【中文标题】使用 dplyr 对多列进行不同操作的汇总【英文标题】:Using dplyr summarize with different operations for multiple columns 【发布时间】:2018-08-03 07:18:10 【问题描述】:

嗯,我知道已经有很多相关的问题,但没有一个能回答我的特殊需求。

我想在一个有 50 列的表上使用 dplyr "summarize",我需要对这些应用不同的汇总函数。

“Summarize_all”和“summarize_at”似乎都有一个缺点,即无法将不同的函数应用于不同的变量子组。

例如,假设 iris 数据集有 50 列,因此我们不想按名称来寻址列。我想要前两列的总和,第三列的平均值和所有剩余列的第一个值(在 group_by(Species) 之后)。我怎么能这样做?

【问题讨论】:

不确定我是否正确,但直接引用 here 之类的列号或提取列名并使用这些可能吗? 欢迎来到 Stack Overflow,为了在这里寻求帮助,请考虑how to write a reproducible example,谢谢。 用iris例子给出了可重现的例子。 人们只是逐字重复指南是怎么回事。这个问题很清楚。 【参考方案1】:

幸运的是,现在有一种更简单的方法可用。 随着新的dplyr 1.0.0 即将推出,您可以利用across 函数实现此目的。

您只需要输入:

iris %>% 
  group_by(Species) %>% 
  summarize(
    # I want the sum over the first two columns, 
    across(c(1,2), sum),
    #  the mean over the third 
    across(3, mean),
    # the first value for all remaining columns (after a group_by(Species))
    across(-c(1:3), first)
  )

很好,不是吗? 我最初认为 cross 不是必需的,因为作用域变体工作得很好,但这个用例正是 across 函数非常有益的原因。

您可以通过devtools::install_github("tidyverse/dplyr")获取最新版本的dplyr

【讨论】:

【参考方案2】:

见this - 功能即将推出

【讨论】:

【参考方案3】:

正如其他人所提到的,这通常通过为要应用汇总函数的每组列调用 summarize_each / summarize_at / summarize_if 来完成。据我所知,您必须创建一个自定义函数来对每个子集进行汇总。例如,您可以设置列名,以便您可以使用 select helpers(例如 contains())来过滤您想要应用该函数的列。如果没有,那么您可以设置要汇总的特定列号。

对于您提到的示例,您可以尝试以下操作:

summarizer <- function(tb, colsone, colstwo, colsthree, 
                       funsone, funstwo, funsthree, group_name) 

return(bind_cols(
    summarize_all(select(tb, colsone), .funs = funsone),
    summarize_all(select(tb, colstwo), .funs = funstwo) %>% 
      ungroup() %>% select(-matches(group_name)),
    summarize_all(select(tb, colsthree), .funs = funsthree) %>% 
      ungroup() %>% select(-matches(group_name)) 
))



#With colnames
iris %>% as.tibble() %>% 
  group_by(Species) %>% 
  summarizer(colsone = contains("Sepal"), 
         colstwo = matches("Petal.Length"), 
         colsthree = c(-contains("Sepal"), -matches("Petal.Length")),
         funsone = "sum", 
         funstwo = "mean",
         funsthree = "first",
         group_name = "Species")

#With indexes
iris %>% as.tibble() %>% 
 group_by(Species) %>% 
 summarizer(colsone = 1:2, 
         colstwo = 3, 
         colsthree = 4,
         funsone = "sum", 
         funstwo = "mean",
         funsthree = "first",
         group_name = "Species")

【讨论】:

太棒了!这对我帮助很大,而且效果很好。谢谢!! 其他注意事项:对于函数的附加参数,您可以将它们添加到函数调用中,例如".funs = funsone, na.rm = T),"【参考方案4】:

试试这个:

library(plyr)
library(dplyr)

dataframe <- data.frame(var = c(1,1,1,2,2,2),var2 = c(10,9,8,7,6,5),var3=c(2,3,4,5,6,7),var4=c(5,5,3,2,4,2))
dataframe

#  var var2 var3 var4
#1   1   10    2    5
#2   1    9    3    5
#3   1    8    4    3
#4   2    7    5    2
#5   2    6    6    4
#6   2    5    7    2

funnames<-c(sum,mean,first)
colnums<-c(2,3,4)
ddply(.data = dataframe,.variables = "var",
    function(x,funcs,inds)
        mapply(function(func,ind)
            func(x[,ind])
        ,funcs,inds)
    ,funnames,colnums)

#  var V1 V2 V3
#1   1 27  3  5
#2   2 18  6  2

【讨论】:

【参考方案5】:

您可以使用每个函数单独汇总数据,然后在需要时加入数据。

虹膜示例如下:

sums <- iris %>% group_by(Species) %>% summarise_at(1:2, sum)
means <- iris %>% group_by(Species) %>% summarise_at(3, mean)
firsts <- iris %>% group_by(Species) %>% summarise_at(4, first)
full_join(sums, means) %>% full_join(firsts)

不过,如果您需要使用的汇总函数不只少数,我会尝试考虑其他方法。

【讨论】:

以上是关于使用 dplyr 对多列进行不同操作的汇总的主要内容,如果未能解决你的问题,请参考以下文章

使用dplyr汇总并保持相同的变量名称

按 dplyr 中的动态列名汇总

在 Redshift dplyr 操作中重命名汇总列

自定义函数与dplyr变异或汇总因子中的不同级别?

用dplyr汇总后如何执行计算?

如何按组进行汇总并使用R中的dplyr获取总体数据集的摘要