在 R 中，dplyr 中的 group_by 是如何工作的？

Question

这个问题适合理解 group_by 函数的正确功能。

假设我有一个数据框，其中包含 5 个二进制变量（这些变量的含义并不重要）和一个代表一些用户的变量 id。例如：

id<- c("A","A" , "B" , "B")
d<- as.data.frame(id) 
d$d1<- c(1,0,1,0)
d$d2<- c(1,0,1,0)
d$d3<- c(0,1,1,0)
d$d4<- c(0,1,0,1)
d$d5<- c(0,1,0,0)
> d
  id d1 d2 d3 d4 d5
1  A  1  1  0  0  0
2  A  0  0  1  1  1
3  B  1  1  1  0  0
4  B  0  0  0  1  0

我将构造一个函数，该函数能够检查每个用户 A 和 B，变量 d1 到 d5 是否都包含 1。

verificator<- function(d )
 {
  r<- prod(apply(d[,2:6],2, sum)) 
  r<- as.logical(r)
  return(r)
 } 

例如，对于A用户，d1到d5中的每一个，都有第一个。

verificator(d[1:2,]) 
[1] TRUE

但是，对于 B 用户，我们有

verificator(d[3:4,])
[1] FALSE

当我使用 dplyr 函数计算 d 矩阵时，出现了问题：

d2<- d %>% group_by(id) %>% summarise(one = verificator(.))
d2
Source: local data frame [2 x 2]

  id  one
1  A TRUE
2  B TRUE

为什么这会为 B 用户返回 TRUE？

Answer 1

如果我们需要得到预期的输出，一种选择是

d %>% 
    group_by(id) %>% 
    summarise_each(funs(sum)) %>% rowwise()  %>% 
    do(data.frame(id = .[1L], one = as.logical(prod(unlist(.[-1])))))
#     id   one
#  <fctr> <lgl>
#1      A  TRUE
#2      B FALSE

---

我们也可以使用来自base R 的by 来做到这一点

verificator <- function(x){
     as.logical(prod(colSums(x)))
    }
c(by(d[-1], d$id, FUN = verificator))
#   A     B 
#TRUE FALSE 

Answer 2

你得到错误结果的原因是在使用%>%时，点（.）代表%>%左边表达式的竞争结果。因此，您只需在 complete 数据框 d 上评估您的 verificator() 两次。

您可以看到如下。首先，我检查应用到完整数据帧的verificator() 确实返回TRUE：

verificator(d)
## [1] TRUE

然后，我定义了verificator() 的另一个变体，它打印了它的参数：

verificator_p <- function(d) {
  print(d)
  return(verificator(d))
}

使用您提出的代码，表明它始终是传递给函数的完整数据框：

d %>% group_by(id) %>% summarise(one = verificator_p(.))
## Source: local data frame [4 x 6]
## Groups: id [2]
## 
##       id    d1    d2    d3    d4    d5
##   (fctr) (dbl) (dbl) (dbl) (dbl) (dbl)
## 1      A     1     1     0     0     0
## 2      A     0     0     1     1     1
## 3      B     1     1     1     0     0
## 4      B     0     0     0     1     0
## Source: local data frame [4 x 6]
## Groups: id [2]
## 
##       id    d1    d2    d3    d4    d5
##   (fctr) (dbl) (dbl) (dbl) (dbl) (dbl)
## 1      A     1     1     0     0     0
## 2      A     0     0     1     1     1
## 3      B     1     1     1     0     0
## 4      B     0     0     0     1     0
## Source: local data frame [4 x 6]
## Groups: id [2]
## 
##       id    d1    d2    d3    d4    d5
##   (fctr) (dbl) (dbl) (dbl) (dbl) (dbl)
## 1      A     1     1     0     0     0
## 2      A     0     0     1     1     1
## 3      B     1     1     1     0     0
## 4      B     0     0     0     1     0
## Source: local data frame [2 x 2]
## 
##       id   one
##   (fctr) (lgl)
## 1      A  TRUE
## 2      B  TRUE

我承认不知道的是，为什么d 被打印了三次而不是两次...