Jumlahkan di beberapa kolom dengan dplyr

Pertanyaan saya melibatkan penjumlahan nilai di beberapa kolom dari bingkai data dan membuat kolom baru yang sesuai dengan penjumlahan ini menggunakan dplyr. Entri data di kolom adalah biner (0,1). Saya sedang memikirkan analog bijak darisummarise_each atau mutate_eachfungsi dplyr. Di bawah ini adalah contoh minimal dari bingkai data:

library(dplyr)
df=data.frame(
  x1=c(1,0,0,NA,0,1,1,NA,0,1),
  x2=c(1,1,NA,1,1,0,NA,NA,0,1),
  x3=c(0,1,0,1,1,0,NA,NA,0,1),
  x4=c(1,0,NA,1,0,0,NA,0,0,1),
  x5=c(1,1,NA,1,1,1,NA,1,0,1))

> df
   x1 x2 x3 x4 x5
1   1  1  0  1  1
2   0  1  1  0  1
3   0 NA  0 NA NA
4  NA  1  1  1  1
5   0  1  1  0  1
6   1  0  0  0  1
7   1 NA NA NA NA
8  NA NA NA  0  1
9   0  0  0  0  0
10  1  1  1  1  1

Saya bisa menggunakan sesuatu seperti:

df <- df %>% mutate(sumrow= x1 + x2 + x3 + x4 + x5)

tetapi ini akan melibatkan penulisan nama masing-masing kolom. Saya memiliki 50 kolom. Selain itu, nama kolom berubah pada iterasi yang berbeda dari loop di mana saya ingin menerapkan operasi ini, jadi saya ingin mencoba menghindari keharusan memberikan nama kolom apa pun.

Bagaimana saya bisa melakukannya dengan paling efisien? Bantuan apa pun akan sangat dihargai.

Bagaimana tentang

jumlahkan setiap kolom

df %>%
   replace(is.na(.), 0) %>%
   summarise_all(funs(sum))

jumlahkan setiap baris

df %>%
   replace(is.na(.), 0) %>%
   mutate(sum = rowSums(.[1:5]))

Jika Anda ingin menjumlahkan kolom tertentu saja, saya akan menggunakan sesuatu seperti ini:

library(dplyr)
df=data.frame(
  x1=c(1,0,0,NA,0,1,1,NA,0,1),
  x2=c(1,1,NA,1,1,0,NA,NA,0,1),
  x3=c(0,1,0,1,1,0,NA,NA,0,1),
  x4=c(1,0,NA,1,0,0,NA,0,0,1),
  x5=c(1,1,NA,1,1,1,NA,1,0,1))
df %>% select(x3:x5) %>% rowSums(na.rm=TRUE) -> df$x3x5.total
head(df)

Dengan cara ini Anda dapat menggunakan dplyr::selectsintaks.

Saya akan menggunakan pencocokan ekspresi reguler untuk menjumlahkan variabel dengan nama pola tertentu. Sebagai contoh:

df <- df %>% mutate(sum1 = rowSums(.[grep("x[3-5]", names(.))], na.rm = TRUE),
                    sum_all = rowSums(.[grep("x", names(.))], na.rm = TRUE))

Dengan cara ini Anda dapat membuat lebih dari satu variabel sebagai jumlah grup variabel tertentu dari bingkai data Anda.

Saya sering mengalami masalah ini, dan cara termudah untuk melakukannya adalah dengan menggunakan apply()fungsi di dalam mutateperintah.

library(tidyverse)
df=data.frame(
  x1=c(1,0,0,NA,0,1,1,NA,0,1),
  x2=c(1,1,NA,1,1,0,NA,NA,0,1),
  x3=c(0,1,0,1,1,0,NA,NA,0,1),
  x4=c(1,0,NA,1,0,0,NA,0,0,1),
  x5=c(1,1,NA,1,1,1,NA,1,0,1))

df %>%
  mutate(sum = select(., x1:x5) %>% apply(1, sum, na.rm=TRUE))

Di sini Anda dapat menggunakan apa pun yang Anda inginkan untuk memilih kolom menggunakan dplyrtrik standar (mis. starts_with()Atau contains()). Dengan melakukan semua pekerjaan dalam satu mutateperintah, tindakan ini dapat terjadi di mana saja dalam dplyraliran langkah pemrosesan. Terakhir, dengan menggunakan fileapply() fungsi tersebut, Anda memiliki fleksibilitas untuk menggunakan ringkasan apa pun yang Anda butuhkan, termasuk fungsi peringkasan yang dibuat untuk tujuan Anda sendiri.

Alternatifnya, jika gagasan menggunakan fungsi non-tidyverse tidak menarik, maka Anda bisa mengumpulkan kolom, meringkasnya dan akhirnya menggabungkan hasilnya kembali ke bingkai data asli.

df <- df %>% mutate( id = 1:n() )   # Need some ID column for this to work

df <- df %>%
  group_by(id) %>%
  gather('Key', 'value', starts_with('x')) %>%
  summarise( Key.Sum = sum(value) ) %>%
  left_join( df, . )

Di sini saya menggunakan starts_with()fungsi untuk memilih kolom dan menghitung jumlahnya dan Anda dapat melakukan apa pun yang Anda inginkan dengan NAnilai. Kelemahan dari pendekatan ini adalah meskipun cukup fleksibel, ia tidak benar-benar cocok dengan dplyraliran langkah pembersihan data.

Menggunakan reduce()from purrrsedikit lebih cepat daripada rowSumsdan pasti lebih cepat daripada apply, karena Anda menghindari iterasi pada semua baris dan hanya memanfaatkan operasi vektorisasi:

library(purrr)
library(dplyr)
iris %>% mutate(Petal = reduce(select(., starts_with("Petal")), `+`))

Lihat ini untuk pengaturan waktu

Dalam versi yang lebih baru dplyrAnda dapat menggunakan rowwise()bersama denganc_across untuk melakukan agregasi berdasarkan baris untuk fungsi yang tidak memiliki varian berdasarkan baris tertentu, tetapi jika varian bijak baris ada, seharusnya lebih cepat.

Karena rowwise()ini hanya bentuk pengelompokan khusus dan mengubah cara kerja kata kerja, Anda mungkin ingin menyalurkannya ungroup()setelah melakukan operasi baris-bijaksana Anda.

Untuk memilih berbagai baris:

df %>%
  dplyr::rowwise() %>% 
  dplyr::mutate(sumrange = sum(dplyr::c_across(x1:x5), na.rm = T))
# %>% dplyr::ungroup() # you'll likely want to ungroup after using rowwise()

Untuk memilih baris berdasarkan jenis:

df %>%
  dplyr::rowwise() %>% 
  dplyr::mutate(sumnumeric = sum(c_across(where(is.numeric)), na.rm = T))
# %>% dplyr::ungroup() # you'll likely want to ungroup after using rowwise()

Dalam kasus khusus Anda, ada varian berdasarkan baris sehingga Anda dapat melakukan hal berikut (perhatikan penggunaan acrosssebagai gantinya):

df %>%
  dplyr::mutate(sumrow = rowSums(dplyr::across(x1:x5), na.rm = T))
# %>% dplyr::ungroup() # you'll likely want to ungroup after using rowwise()

Untuk informasi lebih lanjut, lihat halaman di rowwise .