Kelompokkan beberapa kolom dalam dplyr, menggunakan input vektor string

Saya mencoba untuk mentransfer pemahaman saya tentang plyr ke dplyr, tetapi saya tidak tahu bagaimana cara mengelompokkan berdasarkan beberapa kolom.

# 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

Apa yang saya lewatkan untuk menerjemahkan contoh plyr ke dalam sintaks dplyr-esque?

Sunting 2017 : Dplyr telah diperbarui, sehingga solusi yang lebih sederhana tersedia. Lihat jawaban yang dipilih saat ini.

Karena pertanyaan ini diposting, dplyr menambahkan versi cakupan group_by( dokumentasi di sini ). Ini memungkinkan Anda menggunakan fungsi yang sama dengan yang akan Anda gunakan select, seperti:

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 

Output dari contoh pertanyaan Anda seperti yang diharapkan (lihat perbandingan plyr di atas dan output di bawah):

# 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

Perhatikan bahwa karena dplyr::summarizehanya menghapus satu lapisan pengelompokan pada satu waktu, Anda masih memiliki beberapa pengelompokan yang terjadi di tibble yang dihasilkan (yang kadang-kadang dapat menangkap orang dengan mengejutkan kemudian di telepon). Jika Anda ingin benar-benar aman dari perilaku pengelompokan yang tidak terduga, Anda selalu dapat menambahkan %>% ungroupke saluran Anda setelah Anda merangkum.

Untuk menulis kode secara lengkap, berikut ini adalah pembaruan pada jawaban Hadley dengan sintaks baru:

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())

keluaran:

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

Dukungan untuk ini di dplyr saat ini cukup lemah, akhirnya saya pikir sintaksnya akan menjadi seperti:

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

Tapi itu mungkin tidak akan ada untuk sementara waktu (karena saya perlu memikirkan semua konsekuensinya).

Sementara itu, Anda dapat menggunakan regroup(), yang mengambil daftar simbol:

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())

Jika Anda memiliki vektor karakter nama kolom, Anda dapat mengonversinya ke struktur yang tepat dengan lapply()dan as.symbol():

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

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

Spesifikasi string kolom dalam dplyrsekarang didukung melalui varian dplyrfungsi dengan nama yang diakhiri dengan garis bawah. Misalnya, terkait dengan group_byfungsi ada group_by_fungsi yang dapat mengambil argumen string. Sketsa ini menjelaskan sintaks dari fungsi-fungsi ini secara rinci.

Cuplikan berikut ini dengan bersih menyelesaikan masalah yang semula diajukan oleh @sharoz (perhatikan kebutuhan untuk menuliskan .dotsargumennya):

# Given data and columns from the OP

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

(Perhatikan bahwa dplyr sekarang menggunakan %>%operator, dan %.%sudah usang).

Sampai dplyr memiliki dukungan penuh untuk argumen string, mungkin inti ini berguna:

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

Ini berisi banyak fungsi wrapper seperti s_group_by, s_mutate, s_filter, dll yang menggunakan argumen string. Anda dapat mencampurnya dengan fungsi dplyr normal. Sebagai contoh

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

Ini berfungsi jika Anda memberikan objek (well, Anda tidak, tapi ...) alih-alih sebagai vektor karakter:

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

di mana dfadalah Anda data.

?group_by mengatakan:

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

yang saya artikan bukan versi karakter dari nama-nama itu, tetapi bagaimana Anda akan merujuknya pada foo$bar; bartidak dikutip di sini. Atau bagaimana Anda akan merujuk ke variabel dalam rumus: foo ~ bar.

@Arun juga menyebutkan bahwa Anda dapat melakukan:

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

Tapi Anda tidak bisa meneruskan sesuatu yang tidak dievaluasi bukan nama variabel dalam objek data.

Saya kira ini karena metode internal yang digunakan Hadley untuk mencari hal-hal yang Anda sampaikan melalui ...argumen.

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))

Satu (kecil) kasus yang hilang dari jawaban di sini, yang ingin saya perjelas, adalah ketika variabel yang dikelompokkan oleh dihasilkan secara dinamis midstream dalam pipa:

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_")
  )

Ini pada dasarnya menunjukkan bagaimana menggunakan grepbersama group_by_(.dots = ...)untuk mencapai ini.

Contoh umum tentang penggunaan .dotsargumen sebagai input vektor karakter ke dplyr::group_byfungsi:

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

Atau tanpa nama kode keras untuk variabel pengelompokan (seperti yang diminta oleh OP):

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

Dengan contoh OP:

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

Lihat juga sketsa dplyr pada pemrograman yang menjelaskan kata ganti, kuasiquotation, quosures, dan rapi.