了解 dplyr group_by 与 tapply 之间的结果差异

Question

我期望在这两次运行之间看到相同的结果，但它们是不同的。让我质疑我是否真的了解 dplyr 代码的工作原理（我已经阅读了几乎所有关于 dplyr 的包和在线信息）。谁能解释为什么结果不同，或者如何获得相似的结果？

library(dplyr)
x <- iris
x <- x %.%
    group_by(Species, Sepal.Width) %.%
    summarise (freq=n()) %.%
    summarise (mean_by_group = mean(Sepal.Width))  
print(x)

x <- iris
x <- tapply(x$Sepal.Width, x$Species, mean)
print(x)

更新：我认为这不是最有效的方法，但以下代码给出了与 tapply 方法匹配的结果。根据 Hadley 的建议，我逐行检查了结果，这是我使用 dplyr 能想到的最好的结果

library(dplyr)
x <- iris
x <- x %.%
    group_by(Species, Sepal.Width) %.%
    summarise (freq=n()) %.%
    mutate (mean_by_group = sum(Sepal.Width*freq)/sum(freq)) %.%
print(x)

更新：出于某种原因，我认为我必须将要分析的所有变量分组，这就是将事情推向错误方向的原因。这就是我所需要的，它更接近包中的示例。

x <- iris %.%
    group_by(Species) %.%
    summarise(Sepal.Width = mean(Sepal.Width))
print(x)

Answer 1

也许这...

-dplyr:

require(dplyr)

iris %>% group_by(Species) %>% summarise(mean_width = mean(Sepal.Width))

  # Source: local data frame [3 x 2]
  #
  #      Species        mean_width
  # 1     setosa             3.428
  # 2 versicolor             2.770
  # 3  virginica             2.974

-tapply:

tapply(iris$Sepal.Width, iris$Species, mean)

  # setosa versicolor  virginica 
  # 3.428      2.770      2.974 

---

注意：tapply() 默认简化输出，而 summarise() 不会：

typeof(tapply(iris$Sepal.Width, iris$Species, mean, simplify=TRUE))

  # [1] "double"

否则返回list：

typeof(tapply(iris$Sepal.Width, iris$Species, mean, simplify=FALSE))

  # [1] "list"

所以要真正获得相同类型的输出形式tapply()，您需要：

tbl_df( 
  data.frame( 
    mean_width = tapply( iris$Sepal.Width, 
                         iris$Species, 
                         mean )))

  # Source: local data frame [3 x 1]
  #
  #            mean_width
  # setosa          3.428
  # versicolor      2.770
  # virginica       2.974

这仍然不一样！因为unique(iris$Species) 在这里是attribute 而不是df 的列...