将 df 按多列拆分的 **tidyverse** 方法是什么？答案

【问题标题】：What is the **tidyverse** method for splitting a df by multiple columns?将 df 按多列拆分的 **tidyverse** 方法是什么？
【发布时间】：2017-07-31 00:04:55
【问题描述】：

我想将一个数据框拆分为多个列，以便我可以看到每个数据子集的 summary() 输出。

这是一种使用来自base 的split() 的方法：

library(tidyverse)
#> Loading tidyverse: ggplot2
#> Loading tidyverse: tibble
#> Loading tidyverse: tidyr
#> Loading tidyverse: readr
#> Loading tidyverse: purrr
#> Loading tidyverse: dplyr
#> Conflicts with tidy packages ----------------------------------------------
#> filter(): dplyr, stats
#> lag():    dplyr, stats

mtcars %>% 
  select(1:3) %>% 
  mutate(GRP_A = sample(LETTERS[1:2], n(), replace = TRUE),
         GRP_B = sample(c(1:2), n(), replace = TRUE)) %>% 
  split(list(.$GRP_A, .$GRP_B)) %>% 
  map(summary)
#> $A.1
#>       mpg             cyl           disp          GRP_A          
#>  Min.   :10.40   Min.   :4.0   Min.   :108.0   Length:10         
#>  1st Qu.:14.97   1st Qu.:4.5   1st Qu.:151.9   Class :character  
#>  Median :18.50   Median :7.0   Median :259.3   Mode  :character  
#>  Mean   :17.61   Mean   :6.4   Mean   :283.4                     
#>  3rd Qu.:20.85   3rd Qu.:8.0   3rd Qu.:430.0                     
#>  Max.   :24.40   Max.   :8.0   Max.   :472.0                     
#>      GRP_B  
#>  Min.   :1  
#>  1st Qu.:1  
#>  Median :1  
#>  Mean   :1  
#>  3rd Qu.:1  
#>  Max.   :1  
#> 
#> $B.1
#>       mpg             cyl           disp          GRP_A          
#>  Min.   :15.00   Min.   :4.0   Min.   : 75.7   Length:5          
#>  1st Qu.:21.00   1st Qu.:4.0   1st Qu.: 78.7   Class :character  
#>  Median :21.50   Median :4.0   Median :120.1   Mode  :character  
#>  Mean   :24.06   Mean   :5.2   Mean   :147.1                     
#>  3rd Qu.:30.40   3rd Qu.:6.0   3rd Qu.:160.0                     
#>  Max.   :32.40   Max.   :8.0   Max.   :301.0                     
#>      GRP_B  
#>  Min.   :1  
#>  1st Qu.:1  
#>  Median :1  
#>  Mean   :1  
#>  3rd Qu.:1  
#>  Max.   :1  
#> 
#> $A.2
#>       mpg             cyl             disp          GRP_A          
#>  Min.   :15.20   Min.   :4.000   Min.   : 95.1   Length:9          
#>  1st Qu.:16.40   1st Qu.:6.000   1st Qu.:160.0   Class :character  
#>  Median :18.10   Median :8.000   Median :275.8   Mode  :character  
#>  Mean   :19.84   Mean   :6.667   Mean   :234.0                     
#>  3rd Qu.:21.00   3rd Qu.:8.000   3rd Qu.:275.8                     
#>  Max.   :30.40   Max.   :8.000   Max.   :360.0                     
#>      GRP_B  
#>  Min.   :2  
#>  1st Qu.:2  
#>  Median :2  
#>  Mean   :2  
#>  3rd Qu.:2  
#>  Max.   :2  
#> 
#> $B.2
#>       mpg             cyl         disp          GRP_A          
#>  Min.   :13.30   Min.   :4   Min.   : 71.1   Length:8          
#>  1st Qu.:14.97   1st Qu.:4   1st Qu.:125.3   Class :character  
#>  Median :20.55   Median :6   Median :201.5   Mode  :character  
#>  Mean   :20.99   Mean   :6   Mean   :213.5                     
#>  3rd Qu.:23.93   3rd Qu.:8   3rd Qu.:315.5                     
#>  Max.   :33.90   Max.   :8   Max.   :360.0                     
#>      GRP_B  
#>  Min.   :2  
#>  1st Qu.:2  
#>  Median :2  
#>  Mean   :2  
#>  3rd Qu.:2  
#>  Max.   :2

如何使用tidyverse 动词达到同样的效果？我最初的想法是使用purrr::by_slice()，但显然它已被弃用。

【问题讨论】：

有不能使用split的原因吗？您是否希望明确拆分或 group_by 也可以？
我尽量避免混合 r“方言”，所以 .$GRP_A 不合我的口味。 group_by 不好 - 它返回一个分组的 data.frame，但 summary() 不识别这些组。
现在我已经把它打出来了，我对tidyverse“方言”的偏好可能是不必要的挑剔……但如果我有选择的话，我会选择tidyverse动词超过 split 任何一天，所以我只是想看看是否有什么我忽略了。
你可以使用do(s=summary(.))
@HubertL 这是一个不错的方法！您想提交答案还是我应该提交？

标签： r tidyverse purrr

【解决方案1】：

编辑：这个答案现在已经过时了。请参阅上面的@MartijnVanAttekum 的solution。

“整洁”的解决方案似乎是“mutate + list-cols + purrr”according to Hadley 的组合。

library(tidyverse) 
library(magrittr) 

# group, nest, create a new col leveraging purrr::map()
mt_summary <- 
    mtcars %>% 
    select(1:3) %>% 
    mutate(GRP_A = sample(LETTERS[1:2],  n(), replace = TRUE), 
           GRP_B = sample(c(1:2), n(), replace = TRUE)) %>% 
    group_by(GRP_A, GRP_B) %>% 
    nest() %>% 
    mutate(SUMMARY = map(data, .f = summary))

# check the structure
mt_summary
#> # A tibble: 4 Ã— 4
#>   GRP_A GRP_B              data     SUMMARY
#>   <chr> <int>            <list>      <list>
#> 1     A     1 <tibble [11 Ã— 3]> <S3: table>
#> 2     B     2  <tibble [9 Ã— 3]> <S3: table>
#> 3     A     2  <tibble [7 Ã— 3]> <S3: table>
#> 4     B     1  <tibble [5 Ã— 3]> <S3: table>

# extract the summaries
extract2(mt_summary, "SUMMARY") %>% 
    set_names(paste0(extract2(mt_summary, "GRP_A"), 
                     extract2(mt_summary, "GRP_B")))
#> $A1
#>       mpg             cyl             disp      
#>  Min.   :10.40   Min.   :4.000   Min.   : 75.7  
#>  1st Qu.:15.25   1st Qu.:4.000   1st Qu.:120.9  
#>  Median :19.20   Median :6.000   Median :167.6  
#>  Mean   :20.43   Mean   :6.182   Mean   :229.0  
#>  3rd Qu.:25.85   3rd Qu.:8.000   3rd Qu.:309.5  
#>  Max.   :30.40   Max.   :8.000   Max.   :460.0  
#> 
#> $B2
#>       mpg             cyl             disp      
#>  Min.   :15.20   Min.   :4.000   Min.   : 78.7  
#>  1st Qu.:17.80   1st Qu.:4.000   1st Qu.:120.3  
#>  Median :19.20   Median :6.000   Median :167.6  
#>  Mean   :20.84   Mean   :6.222   Mean   :225.9  
#>  3rd Qu.:21.50   3rd Qu.:8.000   3rd Qu.:351.0  
#>  Max.   :32.40   Max.   :8.000   Max.   :400.0  
#> 
#> $A2
#>       mpg             cyl             disp      
#>  Min.   :15.20   Min.   :4.000   Min.   : 71.1  
#>  1st Qu.:18.90   1st Qu.:4.000   1st Qu.:114.5  
#>  Median :21.40   Median :6.000   Median :145.0  
#>  Mean   :21.79   Mean   :5.429   Mean   :176.0  
#>  3rd Qu.:22.10   3rd Qu.:6.000   3rd Qu.:241.5  
#>  Max.   :33.90   Max.   :8.000   Max.   :304.0  
#> 
#> $B1
#>       mpg             cyl           disp      
#>  Min.   :10.40   Min.   :4.0   Min.   :140.8  
#>  1st Qu.:13.30   1st Qu.:8.0   1st Qu.:275.8  
#>  Median :14.30   Median :8.0   Median :350.0  
#>  Mean   :15.62   Mean   :7.2   Mean   :319.7  
#>  3rd Qu.:17.30   3rd Qu.:8.0   3rd Qu.:360.0  
#>  Max.   :22.80   Max.   :8.0   Max.   :472.0

【讨论】：

我读到 here 说 do 正在“离开”，尽管不清楚这究竟意味着什么。
嗯...我将在purrr github repo 上提交一个问题，看看我是否可以让开发人员参与其中。感谢@aosmith 的提醒！
好像还有人主张把by_slice救活：github.com/hadley/purrr/issues/270
发布到 dplyr repo 的问题：github.com/hadley/dplyr/issues/2518
问题发布到manipulatr mailing list：groups.google.com/d/msg/manipulatr/EMARFJfSvwY/BjXiY1kVDgAJ

【解决方案2】：

dplyr 0.8.0 引入了您正在寻找的动词：group_split()

来自文档：

group_split() 像 base::split() 一样工作，但是

它使用来自 group_by() 的分组结构，因此受制于数据掩码

它不会根据分组来命名列表的元素，因为这通常会丢失信息并且令人困惑。

group_keys() 解释分组结构，通过返回一个数据每组有一行，每个分组变量有一列的框架。

你的例子：

mtcars %>% 
  select(1:3) %>% 
  mutate(GRP_A = sample(LETTERS[1:2], n(), replace = TRUE),
         GRP_B = sample(c(1:2), n(), replace = TRUE)) %>% 
  group_split(GRP_A, GRP_B) %>% 
  map(summary)

【讨论】：