dplyr 中的 group_by 日期列

Question

在对这个问题进行了大量搜索之后，我仍然找不到解决方案。我有一个包含 43 行和 2 列的简单数据框。我的第一列包含两个日期。第一个日期打印 19 次，其他日期打印 24 次。第二列是温度。我想按日期查找最高和最低温度，但我的代码不断打印整个数据集的最高和最低温度。

数据：

Date <- c(rep(x = "2017-05-18", each= 19), rep(x = "2017-05-19", each= 24))


Temperature_F <- c(35, 35, 42, 49, 57, 63, 64, 67, 70, 71, 72, 71, 72, 70, 66, 61, 57, 54, 50, 49, 45, 44, 44, 42, 40, 39, 47, 53, 61, 67, 69, 
    72, 75, 76, 77, 76, 77, 75, 71, 66, 62, 58, 54)

NWS_temps1 <- data.frame(Date, Temperature_F)

这是我的 dplyr 代码，当我认为它应该按日期为我提供最大和最小温度时，它会不断给我整个温度列的最大值和最小值。

NWS_temps1 <- tbl_df(NWS_temps1)

 NWS_temps1 %>%
  group_by(Date) %>% 
  summarise(Tmax = max(Temperature_F), Tmin= min(Temperature_F))

我得到的输出是：

 Tmax Tmin
  77   35

当我希望：

Date        Tmax Tmin
2017-05-18   72   35
2017-05-19   77   39

我不明白为什么 Date 没有按应有的方式分组。我尝试将 Date 更改为此处的因子、字符、日期对象，甚至 POSIXct，但我的结果始终是总数据帧的最大值和最小值。

非常感谢任何帮助。

谢谢。

Answer 1

看起来您使用的是标准评估版 group_by_()，而不是 NSE 版 group_by()。不带下划线试试：

NWS_temps1 %>%
    group_by(Date) %>% 
    summarise(Tmax = max(Temperature_F), Tmin= min(Temperature_F))

#> # A tibble: 2 x 3
#>         Date  Tmax  Tmin
#>        <chr> <dbl> <dbl>
#> 1 2017-05-18    72    35
#> 2 2017-05-19    77    39

Answer 2

NWS_temps1 %>%
group_by(as.character(Date)) %>% 
summarise(Tmax = max(Temperature_F), Tmin= min(Temperature_F))

Answer 3

其他人使用dplyr 提供的答案应该有效。但是，如果由于某些原因 dplyr 不起作用。这是使用来自 base R 的tapply 的解决方案。

dt <- data.frame(Date = unique(NWS_temps1$Date),
                 Tmax = tapply(NWS_temps1$Temperature_F, NWS_temps1$Date, FUN = max),
                 Tmin = tapply(NWS_temps1$Temperature_F, NWS_temps1$Date, FUN = min)) 

Answer 4

dplyr 和 plyr 包中都有 summarise 函数。我猜想加载包的顺序意味着正在加载 plyr 版本的函数，这会给你你看到的结果。您可以手动指定要使用的函数版本，方法是在包名称前面加上：dplyr::summarise(...)。

# Specify the plyr version:
> NWS_temps1 %>%
+   group_by(Date) %>% 
+   plyr::summarise(Tmax = max(Temperature_F), Tmin= min(Temperature_F))
  Tmax Tmin
1   77   35

# Specify the dplyr version:
> NWS_temps1 %>%
+   group_by(Date) %>% 
+   dplyr::summarise(Tmax = max(Temperature_F), Tmin= min(Temperature_F))
`summarise()` ungrouping output (override with `.groups` argument)
# A tibble: 2 x 3
  Date        Tmax  Tmin
  <fct>      <dbl> <dbl>
1 2017-05-18    72    35
2 2017-05-19    77    39

编辑：我刚刚注意到 Kim 已经将此作为对原始问题的评论发布。

Answer 5

在将表示为数字的日期/时间字段转换为带有 as.Date() 的日期时，我能够复制原始的 group_by() 问题 - 使用从 Excel 文件导入的日期/时间字段时可能会发生这种情况，因为Excel 将日期存储为数字。

library(dplyr)

dt = c(43167.86, 43167.59, 43167.59, 43167.23, 43182.60, 43168.17, 43182) 
df <- data_frame(date = dt)

df %>% 
  mutate(date = as.Date(date, origin = '1899-12-30')) %>% 
  group_by(date) %>% 
  summarize(obs = n())
# A tibble: 6 x 2
  date         obs
  <date>     <int>
1 2018-03-08     1
2 2018-03-08     2
3 2018-03-08     1
4 2018-03-09     1
5 2018-03-23     1
6 2018-03-23     1

这为“2018-03-08”和“2018-03-23”提供了相同日期的多个版本。 '2018-03-08' 的一行有两个观察值，因为有两个 '43167.59' - 相同的日期和时间，而还有另外两个 43167，但两者的时间不同。这似乎是与dplyr 相关的问题，因为table(as.Date(df$date, origin = '1899-12-30')) 按预期工作。

一个选项是使用lubridate::ymd()：

library(lubridate)

df %>% 
  mutate(date = as.Date(date, origin = '1899-12-30')) %>% 
  mutate(date = ymd(date)) %>% 
  group_by(date) %>% 
  summarize(obs = n())
# A tibble: 3 x 2
  date         obs
  <date>     <int>
1 2018-03-08     4
2 2018-03-09     1
3 2018-03-23     2

另一种（粗略的）解决方案是将日期转换为字符，如果您想将其保留为日期，则返回：

df %>% 
  mutate(date = as.Date(date, origin = '1899-12-30')) %>% 
  mutate(date = as.Date(as.character(date))) %>% 
  group_by(date) %>% 
  summarize(obs = n())

最好的解决方案可能是在使用readxl::read_excel() 导入时退一步并将列类型设置为日期。这会将字段作为日期/时间导入，但随后 as.Date() 和 group_by() 将按预期工作。来自vignette 的示例：

library(readxl)

df <- read_excel(readxl_example("type-me.xlsx"), sheet = "date_coercion",
                 col_types = c("date", "text"))