数据变异的查找函数答案

【问题标题】：Lookup function for mutate in data数据变异的查找函数
【发布时间】：2018-08-31 05:48:52
【问题描述】：

我想在data.frame 的列中存储函数，或者至少是它们的名称，以便在调用mutate 时使用。一个简化的破例：

library(dplyr)
expand.grid(mu = 1:5, sd = c(1, 10), stat = c('mean', 'sd')) %>%
  group_by(mu, sd, stat) %>%
  mutate(sample = get(stat)(rnorm(100, mu, sd))) %>%
  ungroup()

如果这按我的想法工作，sample 的值将由.GlobalEnv 中的函数生成，对应于'mean' 或'sd'，具体取决于行。

我得到的错误是：

 Error in mutate_impl(.data, dots) : 
    Evaluation error: invalid first argument.

这肯定与非标准评估有关...... grrr。

【问题讨论】：

标签： r dplyr

【解决方案1】：

这里有几个问题。首先expand.grid 将字符值转换为因子。而get() 不喜欢使用因子（即get(factor("mean")) 会出错）。对 tidyverse 友好的版本是 tidyr::crossing()。（您也可以将stringsAsFactors=FALSE 传递给expand.grid。）

其次，mutate() 假定您调用的所有函数都是矢量化的，但像 get() 这样的函数没有矢量化，它们需要一次调用一个。一种更安全的方法是使用rowwise()，而不是在这里执行 group_by 来保证一次评估。

最后，你真正的问题是你试图调用 get("sd") 但是当你这样做时，sd 也恰好是你的 data.frame 中的一列，它是变异的一部分。因此get() 会首先找到这个sd，而这个sd 只是一个数字，而不是一个函数。您需要告诉get() 明确地从全局环境中提取。试试

tidyr::crossing(mu = 1:5, sd = c(1, 10), stat = c('mean', 'sd')) %>%
  rowwise() %>% 
  mutate(sample = get(stat, envir = globalenv())(rnorm(100, mu, sd)))

【讨论】：

【解决方案2】：

三个问题（我看到的）：（1）expand.grid 给你factors； (2) get 查找变量，因此使用"sd" 作为stat 与列名"sd" 混淆（这很难找到！）； (3) 这确实是按行操作，分组没有足够的帮助。第一个可以通过选项轻松修复，第二个可以通过使用match.fun 而不是get 来修复，第三个可以通过dplyr::rowwise、purrr::pmap 或base R 的mapply 来缓解。

这个辅助函数在调试过程中很有用，可以用来“清理”mutate 中的代码，但它不是必需的（除了这个演示之外）。内联“匿名”函数也可以工作。

func <- function(f,m,s) get(f)(rnorm(100,mean=m,sd=s))

几种实现方式：

set.seed(0)
expand.grid(mu = 1:5, sd = c(1, 10), stat = c('mean', 'sd'),
            stringsAsFactors=FALSE)  %>%
  group_by(mu, sd, stat) %>%              # can also be `rowwise() %>%`
  mutate(
    sample0 = match.fun(stat)(rnorm(100, mu, sd)),
    sample1 = purrr::pmap_dbl(list(stat, mu, sd), ~ match.fun(..1)(rnorm(100, ..2, ..3))),
    sample2 = purrr::pmap_dbl(list(stat, mu, sd), func),
    sample3 = mapply(function(f,m,s) match.fun(f)(rnorm(100,m,s)), stat, mu, sd),
    sample4 = mapply(func, stat, mu, sd)
  ) %>%
  ungroup()
# # A tibble: 20 x 8
#       mu    sd stat  sample0 sample1 sample2 sample3 sample4
#    <int> <dbl> <chr>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
#  1     1     1 mean    1.02    1.03    0.896   1.08    0.855
#  2     2     1 mean    1.95    2.07    2.05    1.90    1.92 
#  3     3     1 mean    2.93    3.07    3.03    2.89    3.01 
#  4     4     1 mean    4.01    3.94    4.23    4.05    3.96 
#  5     5     1 mean    5.04    5.11    5.05    5.17    5.19 
#  6     1    10 mean    1.67    1.21    1.30    2.08   -0.641
#  7     2    10 mean    1.82    2.82    2.35    3.65    1.78 
#  8     3    10 mean    1.45    3.10    3.15    4.28    2.58 
#  9     4    10 mean    3.49    6.33    5.11    2.84    3.41 
# 10     5    10 mean    5.33    4.85    4.07    5.58    6.66 
# 11     1     1 sd      0.965   1.04    0.993   0.942   1.08 
# 12     2     1 sd      0.974   0.967   0.981   0.984   1.15 
# 13     3     1 sd      1.12    0.902   1.06    0.977   1.02 
# 14     4     1 sd      0.946   0.928   0.960   1.01    0.992
# 15     5     1 sd      1.06    1.01    0.911   1.11    1.00 
# 16     1    10 sd      9.46    8.95   10.0     8.91    9.60 
# 17     2    10 sd      9.51    9.11   11.5     9.85   10.6  
# 18     3    10 sd      9.77    9.96   11.0     9.09   10.7  
# 19     4    10 sd     10.5     9.84   10.1    10.6     8.89 
# 20     5    10 sd     11.2     8.82   10.4     9.06    9.64

sample0 恰好可以工作，因为您已将其按行分组。如果在某一时刻任何一个分组有两个或多个值，这将失败。

对于sample1 到sample4，您可以删除group_by，它同样可以正常工作（尽管sample0 证明它失败了，所以也删除它）。删除分组后，您将不会得到与上述相同的结果，因为熵的消耗方式不同。

【讨论】：