在 dplyr 中使用函数合并其他行中的值

Question

为笨拙的代码提前道歉。 我有一个类似于以下的数据框：

df <- data.frame(c(rep_len(1,5), 2, 2), c("A", "A", "B", "B", "C", "C", "C"))
names(df) <- c("id", "consequence")

  id consequence
1  1           A
2  1           A
3  1           B
4  1           B
5  1           C
6  2           C
7  2           C

我想执行以下过滤操作：

如果按 id 分组包含结果 A 或 B，则保留这些行，并删除结果为 C 的行。如果组仅包含 C 或单行，则保留那些/那行/行。

我曾尝试在 dplyr 中使用自定义函数执行此操作，但存在所有行都被过滤的问题，从而消除了所有后果 C：

# filtering function:
consequence_select <- function(x) {
  if(n_distinct(x$consequence) > 1) {
  if(any(unique(x$consequence) %in% c("A", "B"))) {
  x %>%
    filter(consequence %in% c("A", "B"))} else {return(x)}
     } else {return(x)}
}


df %>%
group_by(id) %>%
consequence_select

  id consequence
1  1           A
2  1           A
3  1           B
4  1           B

我能够用 plyr 正确地做到这一点：

ddply(df, .(id), consequence_select)

  id consequence
1  1           A
2  1           A
3  1           B
4  1           B
5  2           C
6  2           C

Answer 1

使用dplyr，您需要将函数包装在do：

df %>%
  group_by(id) %>%
  do(consequence_select(.))

. 是一个“代词”，指代数据框df。

Answer 2

您可以通过仅在 filter 参数内而不是在 do 内应用代码来优化您的代码，因为 filter 是此类任务的专用 dplyr 函数。我创建了两个函数并用现有答案对它们进行了基准测试。您要使用哪个函数取决于您的要求 - 对于示例数据，它们都产生相同的结果。我还为基准测试创建了一个稍大的样本数据，如下所示。

# sample data
df <- data.frame(id = sample(100, 1000, replace = T), 
                 consequence = sample(LETTERS[1:3], 1000, replace = TRUE, prob = c(0.2, 0.2, 0.6)))

# the existing custom function
consequence_select <- function(x) {
  if(n_distinct(x$consequence) > 1) {
    if(any(unique(x$consequence) %in% c("A", "B"))) {
      x %>%
        filter(consequence %in% c("A", "B"))} else {return(x)}
  } else {return(x)}
}

# eipi's answer
f1 <- function() {
  df %>%
  group_by(id) %>%
  do(consequence_select(.)) }

# jazzuro's answer
f2 <- function() {
  df %>%
  group_by(id) %>%
  do(if(all(.$consequence == "C")) {.} else{.[-which(.$consequence == "C"), ]}) }

# my answer 1
f3a <- function() {
  df %>% 
    group_by(id) %>% 
    filter((consequence != "C" & n_distinct(consequence) > 1L) | all(consequence == "C") )
}

# my answer 2
f3b <- function() {
  df %>% 
    group_by(id) %>% 
    filter((consequence %in% c("A", "B") & n_distinct(consequence) > 1L) | all(consequence == "C"))
}

library(microbenchmark)

microbenchmark(f1(), f2(), f3a(), f3b(), unit = "relative")

Unit: relative
 expr       min        lq    median        uq       max neval
f1()  11.243524 11.092915 10.956129 10.717519  8.859949   100
f2()   6.603549  6.663674  6.653424  6.566012 10.956784   100
f3a()  1.279952  1.294679  1.291719  1.294606  1.165322   100
f3b()  1.000000  1.000000  1.000000  1.000000  1.000000   100

all.equal(f1(), f3a())
#[1] TRUE
all.equal(f1(), f3b())
#[1] TRUE

如您所见，数据大小的轻微增加已经揭示了函数之间的 10 倍以上的速度差异。

Answer 3

您可以使用do 来完成您的功能。 foo 是您的数据。

foo %>%
    group_by(id) %>%
    do(if(all(.$consequence == "C")) {.} else{.[-which(.$consequence == "C"), ]})

#  id consequence
#1  1           A
#2  1           A
#3  1           B
#4  1           B
#5  2           C
#6  2           C