将函数应用于数据框中的分组行[重复]

Question

我创建了一个函数来计算一些生物统计数据，例如物种范围边缘。这是该函数的简化版本：

range_stats <- function(rangedf, lat, lon, weighting, na.rm=T){
  cent_lat <- weighted.mean(x=rangedf[,lat], w=rangedf[,weighting], na.rm=T)
  cent_lon <- weighted.mean(x=rangedf[,lon], w=rangedf[,weighting], na.rm=T)
out <- data.frame(cent_lat, cent_lon)    
return(out)
} 

我想将此应用于一个大型数据框，其中每一行都是对一个物种的观察。因此，我希望该函数按一组指定的列对行进行分组，然后为每个组计算这些统计信息。这是一个测试数据框：

LATITUDE <- c(27.91977, 21.29066, 26.06340, 28.38918, 25.97517, 27.96313)
LONGITUDE <- c(-175.8617, -157.8645, -173.9593, -178.3571, -173.9679, -175.7837)
BIOMASS <- c(4.3540488, 0.2406332, 0.2406332, 2.1419699, 0.3451426, 1.0946017)
SPECIES <- c('Abudefduf abdominalis','Abudefduf abdominalis','Abudefduf abdominalis','Chaetodon lunulatus','Chaetodon lunulatus','Chaetodon lunulatus')
YEAR <- c('2005', '2005', '2014', '2009', '2009', '2015')
testdf <- data.table(LATITUDE, LONGITUDE, BIOMASS, SPECIES, YEAR)

我想将此函数应用于物种和年份的每个独特组合以计算汇总统计数据，即以下：

testresult <- testdf %>%
  group_by(SPECIES, YEAR) %>%
  range_stats(lat="LATITUDE",lon="LONGITUDE",weighting="BIOMASS",na.rm=T)

但是，上面的代码不起作用（我收到(list) object cannot be coerced to type 'double' 错误），我不确定如何解决这个问题。

Answer 1

由于您添加了dplyr 和purrr 的标签，我假设您对tidyverse 解决方案感兴趣。所以下面我将演示一个基于tidyverse的解决方案。

首先，您的range_stats 有问题。这就是您收到错误消息的原因。 weighted.mean 期望 x 和 w 参数的向量。但是，如果rangedf 是tibble，则子集tibble 的方式（例如rangedf[,lat]）仍将返回一列tibble。更好的方法是使用 dplyr 包中的 pull。

library(tidyverse)
range_stats <- function(rangedf, lat, lon, weighting, na.rm=T){
  cent_lat <- weighted.mean(x = rangedf %>% pull(lat), 
                            w = rangedf %>% pull(weighting), na.rm=T)
  cent_lon <- weighted.mean(x = rangedf %>% pull(lon), 
                            w = rangedf %>% pull(weighting), na.rm=T)
  out <- data.frame(cent_lat, cent_lon)    
  return(out)
} 

接下来，您创建数据框的方式没问题，但data.table 来自data.table 包，您将创建data.table，而不是tibble。我以为你想使用tidyverse的方法，所以我将data.table更改为data_frame，如下所示。

LATITUDE <- c(27.91977, 21.29066, 26.06340, 28.38918, 25.97517, 27.96313)
LONGITUDE <- c(-175.8617, -157.8645, -173.9593, -178.3571, -173.9679, -175.7837)
BIOMASS <- c(4.3540488, 0.2406332, 0.2406332, 2.1419699, 0.3451426, 1.0946017)
SPECIES <- c('Abudefduf abdominalis','Abudefduf abdominalis','Abudefduf abdominalis','Chaetodon lunulatus','Chaetodon lunulatus','Chaetodon lunulatus')
YEAR <- c('2005', '2005', '2014', '2009', '2009', '2015')
testdf <- data_frame(LATITUDE, LONGITUDE, BIOMASS, SPECIES, YEAR)

现在，您说过要将range_stats 函数应用于SPECIES 和YEAR 的每个组合。一种方法是将数据框拆分为数据框列表，并使用lapply family 函数。但在这里我想向您展示如何使用map 系列函数来完成此任务，因为map 来自purrr 包，它是tidyverse 的一部分。

我们可以先创建一个基于SPECIES和YEAR的组索引。

testdf2 <- testdf %>%
  mutate(Group = group_indices(., SPECIES, YEAR)) 
testdf2
# A tibble: 6 x 6
  LATITUDE LONGITUDE   BIOMASS               SPECIES  YEAR Group
     <dbl>     <dbl>     <dbl>                 <chr> <chr> <int>
1 27.91977 -175.8617 4.3540488 Abudefduf abdominalis  2005     1
2 21.29066 -157.8645 0.2406332 Abudefduf abdominalis  2005     1
3 26.06340 -173.9593 0.2406332 Abudefduf abdominalis  2014     2
4 28.38918 -178.3571 2.1419699   Chaetodon lunulatus  2009     3
5 25.97517 -173.9679 0.3451426   Chaetodon lunulatus  2009     3
6 27.96313 -175.7837 1.0946017   Chaetodon lunulatus  2015     4

如您所见，Group 是一个显示索引号的新列。现在我们可以根据Group分割数据框，然后使用map_dfr应用range_stats函数。

testresult <- testdf2 %>%
  split(.$Group) %>%
  map_dfr(range_stats, lat = "LATITUDE",lon = "LONGITUDE", 
          weighting = "BIOMASS", na.rm = TRUE, .id = "Group")
testresult
  Group cent_lat  cent_lon
1     1 27.57259 -174.9191
2     2 26.06340 -173.9593
3     3 28.05418 -177.7480
4     4 27.96313 -175.7837

请注意map_dfr 可以自动将数据帧的输出列表绑定到单个数据帧。 .id = "Group" 表示我们要根据列表元素的名称创建一个名为 Group 的列。

我将流程分为两个步骤，但当然它们可以全部在一个管道中，如下所示。

testresult  <- testdf %>%
  mutate(Group = group_indices(., SPECIES, YEAR))  %>%
  split(.$Group) %>%
  map_dfr(range_stats, lat = "LATITUDE",lon = "LONGITUDE", 
          weighting = "BIOMASS", na.rm = TRUE, .id = "Group")

如果您愿意，可以使用 left_join 将 testresult 与 testdf 合并，但我将在此停止，因为 testresult 可能已经是您想要的所需输出。我希望这会有所帮助。

Answer 2

从根本上说，主要问题涉及weighted.mean()，您传递的是数据框对象，而不是可以强制加倍的向量。要在方法内修复，只需更改：

x=rangedf[,lat]

双括号：

x=rangedf[[lat]]

调整方法：

range_stats <- function(rangedf, lat, lon, weighting, na.rm=T){
  cent_lat <- weighted.mean(x=rangedf[[lat]], w=rangedf[[weighting]], na.rm=T)
  cent_lon <- weighted.mean(x=rangedf[[lon]], w=rangedf[[weighting]], na.rm=T)
  out <- data.frame(cent_lat, cent_lon)    
  return(out)
} 

---

至于按切片计算的整体分组，请原谅我绕过您使用的dplyr 和data.table，并考虑base R 未充分利用但有用的方法by()。

当前设置的挑战是 range_stats 方法的输出返回是一个包含两列的 data.frame，dplyr 的 group_by() 需要一个聚合向量操作。但是，by 将数据帧对象（按因子切片）传递给定义的函数以返回一个 data.frames 列表，然后您可以 rbind 获得一个最终数据帧：

df_List <- by(testdf, testdf[, c("SPECIES", "YEAR")], FUN=function(df)
                data.frame(species=df$SPECIES[1],
                           year=df$YEAR[1],
                           range_stats(df,"LATITUDE","LONGITUDE","BIOMASS"))
              )

finaldf <- do.call(rbind, df_List)
finaldf
#                 species year cent_lat  cent_lon
# 1 Abudefduf abdominalis 2005 27.57259 -174.9191
# 2   Chaetodon lunulatus 2009 28.05418 -177.7480
# 3 Abudefduf abdominalis 2014 26.06340 -173.9593
# 4   Chaetodon lunulatus 2015 27.96313 -175.7837