Gruppieren nach mehreren Spalten in dplyr unter Verwendung der Eingabe eines Zeichenfolgenvektors

Ich versuche, mein Verständnis von Plyr in Dplyr zu übertragen, kann aber nicht herausfinden, wie ich nach mehreren Spalten gruppieren soll.

# 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

Was fehlt mir, um das Plyr-Beispiel in eine dplyr-artige Syntax zu übersetzen?

Edit 2017 : Dplyr wurde aktualisiert, sodass eine einfachere Lösung verfügbar ist. Siehe die aktuell ausgewählte Antwort.

Da diese Frage gestellt wurde, fügte dplyr Versionen mit Gültigkeitsbereich von group_by( Dokumentation hier ) hinzu. Auf diese Weise können Sie dieselben Funktionen verwenden, mit denen Sie selectFolgendes tun würden:

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 

Die Ausgabe Ihrer Beispielfrage ist wie erwartet (siehe Vergleich mit Plyr oben und Ausgabe unten):

# 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

Beachten Sie, dass, da immer dplyr::summarizenur eine Gruppierungsebene gleichzeitig entfernt wird, in der resultierenden Tabelle immer noch eine Gruppierung stattfindet (die manchmal später die Leute überraschen kann). Wenn Sie vor unerwartetem Gruppierungsverhalten absolut sicher sein möchten, können Sie %>% ungroupIhre Pipeline nach dem Zusammenfassen jederzeit erweitern .

Um den Code vollständig zu schreiben, hier ein Update zu Hadleys Antwort mit der neuen Syntax:

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())

Ausgabe:

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

Die Unterstützung dafür in dplyr ist derzeit ziemlich schwach, irgendwann denke ich, dass die Syntax ungefähr so ​​aussehen wird:

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

Aber das wird wahrscheinlich eine Weile nicht da sein (weil ich alle Konsequenzen durchdenken muss).

In der Zwischenzeit können Sie Folgendes verwenden regroup(): Eine Liste mit Symbolen:

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())

Wenn Sie ein Zeichen Vektor von Spaltennamen haben, können Sie sie an die richtige Struktur zu konvertieren , lapply()und as.symbol():

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

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

Die Zeichenfolgenspezifikation von Spalten in dplyrwird jetzt durch Varianten der dplyrFunktionen unterstützt, deren Namen in einem Unterstrich enden. Entsprechend der group_byFunktion gibt es beispielsweise eine group_by_Funktion, die Zeichenfolgenargumente annehmen kann. Diese Vignette beschreibt die Syntax dieser Funktionen im Detail.

Das folgende Snippet löst das Problem, das @sharoz ursprünglich gestellt hat, sauber (beachten Sie, dass das .dotsArgument ausgeschrieben werden muss):

# Given data and columns from the OP

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

(Beachten Sie, dass dplyr jetzt den %>%Operator verwendet und %.%veraltet ist).

Bis dplyr die volle Unterstützung für Zeichenfolgenargumente hat, ist dieser Kern vielleicht nützlich:

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

Es enthält eine Reihe von Wrapper-Funktionen wie s_group_by, s_mutate, s_filter usw., die Zeichenfolgenargumente verwenden. Sie können sie mit den normalen dplyr-Funktionen mischen. Beispielsweise

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

Es funktioniert, wenn Sie die Objekte übergeben (naja, Sie sind es nicht, aber ...) und nicht als Zeichenvektor:

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

wo dfwar Ihr data.

?group_by sagt:

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

was ich so interpretiere, dass es nicht die Zeichenversionen der Namen bedeutet, sondern wie Sie sich darauf beziehen würden foo$bar; barwird hier nicht zitiert. Oder wie Sie auf Variablen in einer Formel verweisen würden : foo ~ bar.

@Arun erwähnt auch, dass Sie tun können:

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

Sie können jedoch nicht etwas übergeben, das nicht bewertet ist und kein Name einer Variablen im Datenobjekt ist.

Ich nehme an, dass dies auf die internen Methoden zurückzuführen ist, mit denen Hadley die Dinge nachschlägt, die Sie über das ...Argument übergeben.

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))

Ein (winziger) Fall, der in den Antworten fehlt, den ich explizit machen wollte, ist, wenn die Variablen, nach denen gruppiert werden soll, dynamisch in einer Pipeline generiert werden:

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_")
  )

Dies zeigt im Wesentlichen, wie grepin Verbindung mit verwendet werden group_by_(.dots = ...), um dies zu erreichen.

Allgemeines Beispiel für die Verwendung des .dotsArguments als Zeichenvektoreingabe für die dplyr::group_byFunktion:

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

Oder ohne einen fest codierten Namen für die Gruppierungsvariable (wie vom OP angefordert):

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

Am Beispiel des OP:

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

Siehe auch die dplyr-Vignette zur Programmierung, in der Pronomen, Quasiquotation, Quosures und Tidyeval erklärt werden.