使用字符串向量输入在 dplyr 中按多列分组答案

【问题标题】：Group by multiple columns in dplyr, using string vector input使用字符串向量输入在 dplyr 中按多列分组
【发布时间】：2014-02-08 03:14:53
【问题描述】：

我正在尝试将我对 plyr 的理解转移到 dplyr，但我不知道如何按多列进行分组。

# make data with weird column names that can't be hard coded
data = data.frame(
  asihckhdoydkhxiydfgfTgdsx = sample(LETTERS[1:3], 100, replace=TRUE),
  a30mvxigxkghc5cdsvxvyv0ja = sample(LETTERS[1:3], 100, replace=TRUE),
  value = rnorm(100)
)

# get the columns we want to average within
columns = names(data)[-3]

# plyr - works
ddply(data, columns, summarize, value=mean(value))

# dplyr - raises error
data %.%
  group_by(columns) %.%
  summarise(Value = mean(value))
#> Error in eval(expr, envir, enclos) : index out of bounds

将 plyr 示例转换为 dplyr-esque 语法我缺少什么？

2017 年编辑：Dplyr 已更新，因此可以使用更简单的解决方案。查看当前选择的答案。

【问题讨论】：

刚到这里，因为它是顶级谷歌。您可以使用group_by_ 现在在vignette("nse") 中解释
@kungfujam：这似乎只按第一列分组，而不是按列对
您需要使用.dots。这是改编自@hadley 下面的答案的解决方案：df %>% group_by_(.dots=list(quote(asihckhdoydk), quote(a30mvxigxkgh))) %>% summarise(n = n())
已将完整代码放在下面的答案中
正如有人在评论的回答中指出的那样，目的是不需要硬编码的列名。

标签： r dplyr r-faq

【解决方案1】：

为了完整地编写代码，这里是哈德利用新语法回答的更新：

library(dplyr)

df <-  data.frame(
    asihckhdoydk = sample(LETTERS[1:3], 100, replace=TRUE),
    a30mvxigxkgh = sample(LETTERS[1:3], 100, replace=TRUE),
    value = rnorm(100)
)

# Columns you want to group by
grp_cols <- names(df)[-3]

# Convert character vector to list of symbols
dots <- lapply(grp_cols, as.symbol)

# Perform frequency counts
df %>%
    group_by_(.dots=dots) %>%
    summarise(n = n())

输出：

Source: local data frame [9 x 3]
Groups: asihckhdoydk

  asihckhdoydk a30mvxigxkgh  n
1            A            A 10
2            A            B 10
3            A            C 13
4            B            A 14
5            B            B 10
6            B            C 12
7            C            A  9
8            C            B 12
9            C            C 10

【讨论】：

这似乎仍在对列名进行硬编码，只是在公式中。问题的关键是如何使用字符串以便不必输入asihckhdoydk...
已使用dots <- lapply(names(df)[-3], function(x) as.symbol(x)) 更新解决方案以创建.dots 参数
试图整理这些答案，.dots= 是关键的一步。如果有人对group_by 通话中为什么需要这样做有很好的理解，你能编辑这个答案吗？现在有点不可思议。
vignette("nse") 表示可以接受三种引用方式：公式、引用和字符。除非您担心它将从哪个环境中提取，否则您可能会选择 group_by_(.dots=grp_cols)

【解决方案2】：

自从发布此问题以来，dplyr 添加了group_by (documentation here) 的范围版本。这让您可以使用与 select 相同的功能，如下所示：

data = data.frame(
    asihckhdoydkhxiydfgfTgdsx = sample(LETTERS[1:3], 100, replace=TRUE),
    a30mvxigxkghc5cdsvxvyv0ja = sample(LETTERS[1:3], 100, replace=TRUE),
    value = rnorm(100)
)

# get the columns we want to average within
columns = names(data)[-3]

library(dplyr)
df1 <- data %>%
  group_by_at(vars(one_of(columns))) %>%
  summarize(Value = mean(value))

#compare plyr for reference
df2 <- plyr::ddply(data, columns, plyr::summarize, value=mean(value))
table(df1 == df2, useNA = 'ifany')
## TRUE 
##  27

您的示例问题的输出符合预期（请参阅上面与 plyr 的比较和下面的输出）：

# A tibble: 9 x 3
# Groups:   asihckhdoydkhxiydfgfTgdsx [?]
  asihckhdoydkhxiydfgfTgdsx a30mvxigxkghc5cdsvxvyv0ja       Value
                     <fctr>                    <fctr>       <dbl>
1                         A                         A  0.04095002
2                         A                         B  0.24943935
3                         A                         C -0.25783892
4                         B                         A  0.15161805
5                         B                         B  0.27189974
6                         B                         C  0.20858897
7                         C                         A  0.19502221
8                         C                         B  0.56837548
9                         C                         C -0.22682998

请注意，由于dplyr::summarize 一次只剥离一层分组，因此您仍然在生成的 tibble 中进行了一些分组（有时可能会在稍后通过惊喜来吸引人们）。如果您想绝对避免意外的分组行为，您可以随时在汇总后将%>% ungroup 添加到您的管道中。

【讨论】：

更新到0.7.0 是否也使quote-unquote 系统在多列中可用？
您也可以将.dots 参数用于group_by()，例如：data %>% group_by(.dots = columns) %>% summarize(value = mean(value))。
对one_of() 的调用在这里有什么作用吗？我认为在这种情况下这是多余的，因为表达式包含在对 vars() 的调用中。
@Khashir 是的，这个答案仍然有效@knowah 你是对的，在这种情况下调用one_of() 是多余的
@Sos 要使用 select 语法跨多个列应用函数，请参阅新的 across 函数：dplyr.tidyverse.org/reference/across.html 在您的情况下，它看起来像 summarize(across(all_of(c(''value_A", "value_B")), mean))

【解决方案3】：

dplyr 对此的支持目前相当薄弱，最终我认为语法将类似于：

df %.% group_by(.groups = c("asdfgfTgdsx", "asdfk30v0ja"))

但这可能暂时不会存在（因为我需要考虑所有后果）。

同时，您可以使用regroup()，它采用符号列表：

library(dplyr)

df <-  data.frame(
  asihckhdoydk = sample(LETTERS[1:3], 100, replace=TRUE),
  a30mvxigxkgh = sample(LETTERS[1:3], 100, replace=TRUE),
  value = rnorm(100)
)

df %.%
  regroup(list(quote(asihckhdoydk), quote(a30mvxigxkgh))) %.%
  summarise(n = n())

如果您有列名的字符向量，您可以使用lapply() 和as.symbol() 将它们转换为正确的结构：

vars <- setdiff(names(df), "value")
vars2 <- lapply(vars, as.symbol)

df %.% regroup(vars2) %.% summarise(n = n())

【讨论】：

as.symbol 解决了它。谢谢！如果它有助于开发：这种情况对我来说非常常见。汇总其他变量的每个组合的数值结果。
显然这只适用于这个特定的例子而不是其他的。
我最初将此标记为答案，但对 dplyr 的更新允许 kungfujam 的答案起作用。
regroup 也已弃用（至少从 0.4.3 版开始）。

【解决方案4】：

dplyr 中列的字符串规范现在通过名称以下划线结尾的 dplyr 函数的变体得到支持。例如，对应于group_by 函数，有一个group_by_ 函数可以接受字符串参数。 This vignette 详细描述了这些函数的语法。

下面的 sn-p 干净利落地解决了@sharoz 最初提出的问题（注意需要写出.dots 参数）：

# Given data and columns from the OP

data %>%
    group_by_(.dots = columns) %>%
    summarise(Value = mean(value))

（请注意，dplyr 现在使用 %>% 运算符，而 %.% 已弃用）。

【讨论】：

【解决方案5】：

直到 dplyr 完全支持字符串参数，也许这个要点很有用：

https://gist.github.com/skranz/9681509

它包含一堆使用字符串参数的包装函数，如 s_group_by、s_mutate、s_filter 等。您可以将它们与正常的 dplyr 函数混合使用。例如

cols = c("cyl","gear")
mtcars %.%
  s_group_by(cols) %.%  
  s_summarise("avdisp=mean(disp), max(disp)") %.%
  arrange(avdisp)

【讨论】：

【解决方案6】：

如果你将对象传递给它（好吧，你不是，但是......）而不是作为字符向量，它会起作用：

df %.%
    group_by(asdfgfTgdsx, asdfk30v0ja) %.%
    summarise(Value = mean(value))

> df %.%
+   group_by(asdfgfTgdsx, asdfk30v0ja) %.%
+   summarise(Value = mean(value))
Source: local data frame [9 x 3]
Groups: asdfgfTgdsx

  asdfgfTgdsx asdfk30v0ja        Value
1           A           C  0.046538002
2           C           B -0.286359899
3           B           A -0.305159419
4           C           A -0.004741504
5           B           B  0.520126476
6           C           C  0.086805492
7           B           C -0.052613078
8           A           A  0.368410146
9           A           B  0.088462212

df 是你的data。

?group_by 说：

 ...: variables to group by. All tbls accept variable names, some
      will also accept functons of variables. Duplicated groups
      will be silently dropped.

我解释的不是名称的字符版本，而是您在foo$bar 中如何引用它们； bar 此处未引用。或者您如何在公式中引用变量：foo ~ bar。

@Arun 还提到你可以这样做：

df %.%
    group_by("asdfgfTgdsx", "asdfk30v0ja") %.%
    summarise(Value = mean(value))

但是你不能传入 unevalated 不是数据对象中变量名称的东西。

我认为这是由于 Hadley 使用内部方法来查找您通过 ... 参数传入的内容。

【讨论】：

@Arun 谢谢你。我没有注意到这一点，但这也很有意义。我在这方面添加了一条注释，引用了您和您的评论。
不幸的是，我不能依赖对列名进行硬编码。我正在尝试这样做，而不必指定它们。

【解决方案7】：

使用 dplyr 1.0.0 中的 cross() 更新

以上所有答案仍然有效，带有 .dots 参数的解决方案很有趣。

但是，如果您寻找更容易记住的解决方案，新的across() 会派上用场。它由 Hadley Wickham 于 2020 年 4 月 3 日发布，可用于mutate() 和summarise()，并替换_at 或_all 等范围变体。最重要的是，它非常优雅地用引用/取消引用（例如!!! rlang::syms()）取代了繁琐的非标准评估（NSE）。

所以across 的解决方案看起来非常可读：

data %>%
  group_by(across(all_of(columns))) %>%
  summarize(Value = mean(value))

【讨论】：

与.dots恕我直言相比，这是一种更直观的方式。

【解决方案8】：

data = data.frame(
  my.a = sample(LETTERS[1:3], 100, replace=TRUE),
  my.b = sample(LETTERS[1:3], 100, replace=TRUE),
  value = rnorm(100)
)

group_by(data,newcol=paste(my.a,my.b,sep="_")) %>% summarise(Value=mean(value))

【讨论】：

【解决方案9】：

这里的答案中缺少的一个（小）情况是我想明确说明的，是当要分组的变量在管道中流动态生成时：

library(wakefield)
df_foo = r_series(rnorm, 10, 1000)
df_foo %>% 
  # 1. create quantized versions of base variables
  mutate_each(
    funs(Quantized = . > 0)
  ) %>% 
  # 2. group_by the indicator variables
  group_by_(
    .dots = grep("Quantized", names(.), value = TRUE)
    ) %>% 
  # 3. summarize the base variables
  summarize_each(
    funs(sum(., na.rm = TRUE)), contains("X_")
  )

这基本上展示了如何将grep 与group_by_(.dots = ...) 结合使用来实现此目的。

【讨论】：

【解决方案10】：

使用.dots 参数作为dplyr::group_by 函数的字符向量输入的一般示例：

iris %>% 
    group_by(.dots ="Species") %>% 
    summarise(meanpetallength = mean(Petal.Length))

或者没有分组变量的硬编码名称（根据 OP 的要求）：

iris %>% 
    group_by(.dots = names(iris)[5]) %>% 
    summarise_at("Petal.Length", mean)

以OP为例：

data %>% 
    group_by(.dots =names(data)[-3]) %>% 
    summarise_at("value", mean)

另请参阅dplyr vignette on programming，它解释了代词、准引用、quosures 和 tidyeval。

【讨论】：