在 dplyr mutate 或 summarise 中有效分配具有多个输出的函数答案

【问题标题】：Efficient assignment of a function with multiple outputs in dplyr mutate or summarise在 dplyr mutate 或 summarise 中有效分配具有多个输出的函数
【发布时间】：2016-07-06 11:33:08
【问题描述】：

我注意到这里有很多示例，它们使用dplyr::mutate 结合返回多个输出的函数来创建多个列。例如：

tmp <- mtcars %>%
    group_by(cyl) %>%
    summarise(min = summary(mpg)[1],
              median = summary(mpg)[3],
              mean = summary(mpg)[4],
              max = summary(mpg)[6])

然而，这样的语法意味着 summary 函数被调用了 4 次，在这个例子中，这似乎不是特别有效。有什么方法可以有效地将列表输出分配给summarise 或mutate 中的列名列表？

例如，从上一个问题：Split a data frame column containing a list into multiple columns using dplyr (or otherwise)，我知道您可以将summary 的输出分配为列表，然后使用do(data.frame(...)) 将其拆分，但这意味着您必须随后添加列后面的名字和语法不那么漂亮。

【问题讨论】：

另见stackoverflow.com/q/21630406/4241780 '在 dplyr mutate 中返回一个列表'。

标签： r dplyr

【解决方案1】：

来自 Romain Francois 的 tie 包可以非常巧妙地做到这一点

devtools::install_github("romainfrancois/tie")
library('tidyverse')
library('tie')

tmp <- mtcars %>%
  group_by(cyl) %>%
  bow( tie(min, median, mean, max) := summary(mpg)[c(1,3,4,6)] )

注意使用:= 而不是=。

tidyverse 团队在此处 https://github.com/tidyverse/dplyr/issues/154 以及在其中引用的其他帖子中考虑了在 summarise 中使用返回向量（不是标量）的函数的问题。

【讨论】：

【解决方案2】：

这解决了您的示例，但可能不是您的主要问题。在您展示的情况下，您可以将其重写为：

tmp <- mtcars %>%
    group_by(cyl) %>%
    summarise_each(funs(min, median, mean, max), mpg)

这样效率更高，运行时间大约减少 40%：

microbenchmark(mtcars %>%
                 group_by(cyl) %>%
                 summarise_each(funs(min, median, mean, max), mpg), 
                                times = 1000L)


 mtcars %>% group_by(cyl) %>% summarise_each(funs(min, median,mean, max), mpg)
      min       lq     mean   median       uq      max neval
 2.002762 2.159464 2.330703 2.216719 2.271264 7.771477  1000


microbenchmark(mtcars %>%
    group_by(cyl) %>%
    summarise(min = summary(mpg)[1],
              median = summary(mpg)[3],
              mean = summary(mpg)[4],
              max = summary(mpg)[6]), times = 1000L)

 mtcars %>% group_by(cyl) %>% summarise(min = summary(mpg)[1], median = summary(mpg)[3], mean = summary(mpg)[4], max = summary(mpg)[6])
      min      lq     mean   median       uq      max neval
 4.967731 5.21122 5.571605 5.360689 5.530197 13.26596  1000

但是，当然还有其他情况下这不能解决问题。

编辑：

do() 函数可以解决这个问题。例如

by_cyl <- group_by(mtcars, cyl) %>%
        do(mod = summary(.)[c(1,4,6),])

【讨论】：

嗨，谢谢你，但正如你正确指出的那样，它并没有解决我的主要问题。
@Alex 添加了应该解决您正在寻找的内容的编辑。
那不行，结果被分配到一列
@Alex 不，他们被分配到一个列表 by_cyl$mod 。所有的结果都在那里，可以访问。

【解决方案3】：

我在dplyr 中找不到合适的解决方案，让您以易于记忆的方式分配名称。我发现以下data.table 解决方案可以接受，如果有点罗嗦：

data.table(mtcars) %>%
    .[, setattr(as.list(summary(mpg)[c(1,3,4,6)]), 
        "names", c("min", "median", "mean", "max")),
         by = cyl]

这来自akrun's answer，其中：

data.table(mtcars) %>%
    .[, as.list(summary(mpg)[c(1,3,4,6)]), by = cyl]

自动将函数的输出分配到 4 列。因此，唯一剩下的就是使用setattr 函数适当地重命名列。

请注意，summary 的输出不是列表，因此必须强制转换为列表才能使其工作。

【讨论】：

【解决方案4】：

我设法做到了这一点。它在我拥有的 4500 万行数据集上运行得相当快。

tmp <- mtcars %>%
  group_by(cyl) %>%
  do(data.frame(t(as.matrix(summary(.$mpg)[c(1, 3, 4, 6)]))))

Source: local data frame [3 x 5]
Groups: cyl [3]

    cyl  Min. Median  Mean  Max.
  <dbl> <dbl>  <dbl> <dbl> <dbl>
1     4  21.4   26.0 26.66  33.9
2     6  17.8   19.7 19.74  21.4
3     8  10.4   15.2 15.10  19.2

【讨论】：

【解决方案5】：

这也可以使用tidyr::nest 和purrr::map 来完成。请注意，summary 返回的输出需要从命名向量转换为 data.frame 或 tibble，我在下面使用dplyr::bind_rows 来完成此操作，但同样可以使用data.frame(as.list(summary(.$mpg)))。


suppressWarnings(library(tidyverse))

mtcars %>%
  group_by(cyl) %>%
  nest() %>% 
  summarise(stats = map(data, ~ bind_rows(summary(.$mpg)))) %>% 
  unnest(stats)
#> # A tibble: 3 x 7
#>     cyl Min.    `1st Qu.` Median  Mean     `3rd Qu.` Max.   
#>   <dbl> <table> <table>   <table> <table>  <table>   <table>
#> 1     4 21.4    22.80     26.0    26.66364 30.40     33.9   
#> 2     6 17.8    18.65     19.7    19.74286 21.00     21.4   
#> 3     8 10.4    14.40     15.2    15.10000 16.25     19.2

^{由reprex package (v0.3.0) 于 2021-04-19 创建}

【讨论】：