dplyr 为用户定义的函数汇总多个输入值

Question

我有一个数据框 df，我想确定 col1 中满足 col2 中的条件的唯一值的比例。

set.seed(137)
df <- data.frame(col1 = sample(LETTERS, 100, TRUE), 
                 col2 = sample(-75:75, 100, TRUE), 
                 col3 = sample(-75:75, 100, TRUE))

df$col2[c(23, 48, 78)] <- NA
df$col3[c(37, 68, 81)] <- NA

例如，我想在col2 中找到col2 中的所有唯一值，这些值在-10 到10 的范围内。

df %>%  
  mutate(unqCol1 = n_distinct(col1)) %>% 
  group_by(col1) %>% 
  mutate(freq = sum(between(col2, -10, 10), na.rm = TRUE)) %>% 
  filter(freq > 0) %>% distinct(col1, unqCol1) %>% 
  ungroup() %>%  
  summarise(nrow(.)/unqCol1) %>% 
  unique()

导致：

# A tibble: 1 x 1
  `nrow(.)/unqCol1`
              <dbl>
1             0.423

虽然上面的代码 sn-p 不是一种有效的方法，但我尝试在单个管道命令中实现结果，它为我提供了正确的输出（任何聪明的重写上述代码的方法非常值得赞赏）。我已经使用基本 R 方法重新确认了输出：

length(unique(df$col1[df$col2 >= -10 & df$col2 <= 10 & !is.na(df$col2)]))/length(unique(df$col1))

我想在一个函数中重写上面的 dplyr 代码，以便可以使用范围的多个 n 值（这里：n=10）复制它（也适用于多列）。这可能吗？或者我应该像 apply-family 想法那样在代码本身（没有函数）中传递多个值？

Answer 1

您已经注意到，您的 (dplyr) 代码过于复杂。您可以在不分组数据的情况下计算兴趣比例：

df %>% 
  tidyr::drop_na() %>%
  filter(between(col2, -10, 10)) %>% 
  summarize(prop = n_distinct(col1) / n_distinct(df$col1))

计算比例的函数是：

my_summary <- function(df, ...) {
   df %>% 
     tidyr::drop_na() %>%
     filter(...) %>% 
     summarize(
       prop = n_distinct(col1) / n_distinct(df$col1)
     )
}

例如

> my_summary(df, between(col2, -10, 10))
       prop
1 0.4230769

给出你问题中的比例。

编辑

您可以向量化my_summary() 并使用outer() 来获得col 和n 组合的比例矩阵：

my_summary <- function(col, n) {
  df %>% 
    tidyr::drop_na() %>%
    filter(between(!!as.name(col), -n, n)) %>% 
    summarize(
      prop = n_distinct(col1) / n_distinct(df$col1)
    )
}
my_summary_v <- Vectorize(my_summary)

> outer(c("col2", "col3"), c(10, 20, 30), my_summary_v)
     [,1]      [,2]      [,3]     
[1,] 0.4230769 0.5384615 0.6538462
[2,] 0.4230769 0.6538462 0.6923077