dplyr 条件汇总函数答案

【问题标题】：dplyr conditional summarise functiondplyr 条件汇总函数
【发布时间】：2018-10-06 10:13:24
【问题描述】：

我有这种情况，我需要基于条件的不同摘要函数。例如，使用 iris，假设出于某种原因，如果物种是 setosa，我想要花瓣宽度的总和，否则我想要花瓣宽度的平均值。

天真地，我用 case_when 写了这个，它不起作用：

iris <- tibble::as_tibble(iris)

 iris %>% 
  group_by(Species) %>% 
  summarise(pwz = case_when(
    Species == "setosa" ~ sum(Petal.Width, na.rm = TRUE),
    TRUE                ~ mean(Petal.Width, na.rm = TRUE)))

summarise_impl(.data, dots) 中的错误： pwz 列的长度必须为 1（汇总值），而不是 50

我最终找到了类似的东西，使用每种方法进行总结，然后在变异中挑选我真正想要的一种：

iris %>% 
  group_by(Species) %>% 
  summarise(pws = sum(Petal.Width, na.rm = TRUE),
            pwm = mean(Petal.Width, na.rm = TRUE)) %>% 
  mutate(pwz = case_when(
    Species == "setosa" ~ pws,
    TRUE                ~ pwm)) %>% 
  select(-pws, -pwm)

但是，创建所有这些汇总值并在最后只选择一个似乎有点尴尬，尤其是当我的真实 case_when 复杂得多时。我不能在摘要中使用 case_when 吗？我的语法错了吗？任何帮助表示赞赏！

编辑：我想我应该指出我有多个条件/函数（假设我有一些需要均值、总和、最大值、最小值或其他摘要的变量，具体取决于变量）。

【问题讨论】：

听起来真正的问题可能是您的数据不是“整洁”的格式。根据其他列值对同一列中的值执行不同的汇总是非常奇怪的。你不能像那样使用case_when，因为它是一个矢量化函数，所以它不会崩溃（你一次只能取一个值的总和/平均值）。
它是长格式 - 不同变量随时间（每天）按地区观察的环境数据。我正在创建每周摘要，但是，例如，您需要添加降雨量才能获得该周的总降雨量，但对于温度，则取一周内的平均值。所以这可能很奇怪，但对这个数据集来说是有意义的。这是关于它是一个非折叠矢量化函数的有用信息 - 这告诉我为什么我的第一次尝试没有奏效，谢谢。

标签： r dplyr

【解决方案1】：

您可以拆分您的data.frame，然后使用map2_dfr 在每个部分上应用不同的函数并将结果重新拼接在一起：

library(tidyverse) # purrr & dplyr
iris %>%
  arrange(Species=="setosa") %>%
  split(.,.$Species=="setosa") %>%
  map2_dfr(c(mean,sum),~.x %>% group_by(Species) %>% summarize_at("Petal.Width",.y))

# # A tibble: 3 x 2
# Species Petal.Width
#       <fctr>       <dbl>
# 1 versicolor       1.326
# 2  virginica       2.026
# 3     setosa      12.300

【讨论】：

哦，我想如果我能更好地理解 purrr 函数，这对我来说可能会很好用。我实际上正在做一大堆 dplyr 编程/新功能，我不知道我会提前获得哪些物种（在我的代码中，环境变量），所以我不能硬编码任何东西。我有一个查找表，我敢打赌我可以用它来适当地拆分和映射以进行摘要。 purrr里面的函数我还没用过，不过我试试看，非常感谢！
如果您了解lapply 和Map，您很快就会了解purrr::map 家族。要参数化我的函数，只需将“setosa”替换为 x，将“Petal.Width”替换为 y。

【解决方案2】：

data.table 很容易做到这一点

library(data.table)
iris2 <- as.data.table(iris)

iris2[, if(Species == 'setosa') sum(Petal.Width) 
        else mean(Petal.Width)
      , by = Species]

更简洁，但可能不够清晰

iris2[, ifelse(Species == 'setosa', sum, mean)(Petal.Width)
      , by = Species]

dplyr 你可以做到

iris %>% 
  group_by(Species) %>% 
  summarise(pwz = if_else(first(Species == "setosa")
                          , sum(Petal.Width)
                          , mean(Petal.Width)))

注意：

我认为使用tidyr::spread“传播”您的数据可能更有意义，这样每天都有一个温度、降雨量等列。然后您可以按通常的方式使用summarise。

【讨论】：

我想过传播。我的功能是接受广泛的环境变量，并通过查找表找出汇总方法。我认为如果我tidyr::spread，我会更难跟踪可变数量的新列。我想我可能用我的可重复的例子简化了我的问题。我试图避免多个嵌套的if_else 语句（因此我首先尝试case_when），但它仍然在我正在尝试的事情上。谢谢！
@michdn 是的，我认为如果使用dplyr，关键是在您知道它们都相同时只使用first 来检查值。您当然可以在case_when 和if_else 中使用first 函数

【解决方案3】：

data(iris)
library(dplyr)

sum_species <- c('setosa')

iris %>% 
   group_by(Species) %>% 
   summarise(pwz_sum = sum(Petal.Width, na.rm=T), 
             pwz_mean= mean(Petal.Width, na.rm=T)) %>% 
   ungroup() %>% 
   mutate(pwz = if_else(Species %in% sum_species, pwz_sum, pwz_mean))

【讨论】：

啊，感谢您将变量拆分为列表（用于总和、均值等）的想法。我玩了一段时间，因为我有一个未知且可变数量的环境变量（我的数据）我在我的函数中总结。我仍然有一个问题，即我正在为所有这些摘要创建所有不同类型的摘要，尽管我可能只需要接受它作为中间步骤。
您可以使用switch 创建一个新函数以进行汇总。比如：switch(Species, setosa = sum(...), species2 = mean(...), species3=foo(...), ...)

【解决方案4】：

为什么不先行级计算，再汇总？

iris %>% group_by(Species) %>% mutate(pwz = case_when(
      Species == "setosa" ~ sum(Petal.Width, na.rm = TRUE),
      TRUE                ~ mean(Petal.Width, na.rm = TRUE))) %>% 
      summarize(pwz= first(pwz))

# A tibble: 3 x 2
     Species    pwz
      <fctr>  <dbl>
1     setosa 12.300
2 versicolor  1.326
3  virginica  2.026

【讨论】：

这对我来说实际上可能是最简单、最容易做的事情。当我第一次尝试时，我的 case_when 情况已经被半编码了。这非常简单，这很好，因为我将把这段代码传递给其他人。明天我有一个项目会议，我们将看看我团队中其他编码人员的想法。谢谢！

【解决方案5】：

如果你想把所有东西都放在汇总函数中，你总是可以做这样的事情。但这并不比您原来的解决方法复杂：

iris %>% 
  group_by(Species) %>% 
  summarise(pwz = 
    sum(Petal.Width, na.rm = TRUE)*
    (1/n()*mean(Species != "setosa") + 
     mean(Species == "setosa")))

【讨论】：

哈，这很有创意。不过，我会同情必须在我之后维护我的代码的人。谢谢！