dplyr fassen zusammen: Entspricht ".drop = FALSE", um Gruppen mit einer Länge von Null in der Ausgabe beizubehalten

Bei Verwendung summarisemit plyrder ddplyFunktion 'werden leere Kategorien standardmäßig gelöscht. Sie können dieses Verhalten durch Hinzufügen ändern .drop = FALSE. Dies funktioniert jedoch nicht bei Verwendung summarisemit dplyr. Gibt es eine andere Möglichkeit, leere Kategorien im Ergebnis beizubehalten?

Hier ist ein Beispiel mit gefälschten Daten.

library(dplyr)

df = data.frame(a=rep(1:3,4), b=rep(1:2,6))

# Now add an extra level to df$b that has no corresponding value in df$a
df$b = factor(df$b, levels=1:3)

# Summarise with plyr, keeping categories with a count of zero
plyr::ddply(df, "b", summarise, count_a=length(a), .drop=FALSE)

  b    count_a
1 1    6
2 2    6
3 3    0

# Now try it with dplyr
df %.%
  group_by(b) %.%
  summarise(count_a=length(a), .drop=FALSE)

  b     count_a .drop
1 1     6       FALSE
2 2     6       FALSE

Nicht genau das, was ich mir erhofft hatte. Gibt es eine dplyrMethode, um das gleiche Ergebnis wie .drop=FALSEin zu erzielen plyr?

Da dplyr 0.8 group_by das .dropArgument gewonnen hat, das genau das tut, wonach Sie gefragt haben:

df = data.frame(a=rep(1:3,4), b=rep(1:2,6))
df$b = factor(df$b, levels=1:3)

df %>%
  group_by(b, .drop=FALSE) %>%
  summarise(count_a=length(a))

#> # A tibble: 3 x 2
#>   b     count_a
#>   <fct>   <int>
#> 1 1           6
#> 2 2           6
#> 3 3           0

Ein zusätzlicher Hinweis zur Antwort von @ Moody_Mudskipper: Die Verwendung von .drop=FALSEkann zu möglicherweise unerwarteten Ergebnissen führen, wenn eine oder mehrere Gruppierungsvariablen nicht als Faktoren codiert sind. Siehe Beispiele unten:

library(dplyr)
data(iris)

# Add an additional level to Species
iris$Species = factor(iris$Species, levels=c(levels(iris$Species), "empty_level"))

# Species is a factor and empty groups are included in the output
iris %>% group_by(Species, .drop=FALSE) %>% tally

#>   Species         n
#> 1 setosa         50
#> 2 versicolor     50
#> 3 virginica      50
#> 4 empty_level     0

# Add character column
iris$group2 = c(rep(c("A","B"), 50), rep(c("B","C"), each=25))

# Empty groups involving combinations of Species and group2 are not included in output
iris %>% group_by(Species, group2, .drop=FALSE) %>% tally

#>   Species     group2     n
#> 1 setosa      A         25
#> 2 setosa      B         25
#> 3 versicolor  A         25
#> 4 versicolor  B         25
#> 5 virginica   B         25
#> 6 virginica   C         25
#> 7 empty_level <NA>       0

# Turn group2 into a factor
iris$group2 = factor(iris$group2)

# Now all possible combinations of Species and group2 are included in the output, 
#  whether present in the data or not
iris %>% group_by(Species, group2, .drop=FALSE) %>% tally

#>    Species     group2     n
#>  1 setosa      A         25
#>  2 setosa      B         25
#>  3 setosa      C          0
#>  4 versicolor  A         25
#>  5 versicolor  B         25
#>  6 versicolor  C          0
#>  7 virginica   A          0
#>  8 virginica   B         25
#>  9 virginica   C         25
#> 10 empty_level A          0
#> 11 empty_level B          0
#> 12 empty_level C          0

Created on 2019-03-13 by the reprex package (v0.2.1)

Das Problem ist noch offen, aber in der Zwischenzeit, insbesondere da Ihre Daten bereits berücksichtigt sind, können Sie mit complete"tidyr" ermitteln, wonach Sie suchen:

library(tidyr)
df %>%
  group_by(b) %>%
  summarise(count_a=length(a)) %>%
  complete(b)
# Source: local data frame [3 x 2]
# 
#        b count_a
#   (fctr)   (int)
# 1      1       6
# 2      2       6
# 3      3      NA

Wenn Sie möchten, dass der Ersatzwert Null ist, müssen Sie Folgendes angeben mit fill:

df %>%
  group_by(b) %>%
  summarise(count_a=length(a)) %>%
  complete(b, fill = list(count_a = 0))
# Source: local data frame [3 x 2]
# 
#        b count_a
#   (fctr)   (dbl)
# 1      1       6
# 2      2       6
# 3      3       0

dplyr Lösung:

Machen Sie zuerst gruppierte df

by_b <- tbl_df(df) %>% group_by(b)

dann fassen wir die Ebenen zusammen, die durch Zählen mit auftreten n()

res <- by_b %>% summarise( count_a = n() )

Dann führen wir unsere Ergebnisse in einem Datenrahmen zusammen, der alle Faktorstufen enthält:

expanded_res <- left_join(expand.grid(b = levels(df$b)),res)

Schließlich werden in diesem Fall die NAWerte auf 0 geändert, da wir uns die Anzahl ansehen.

final_counts <- expanded_res[is.na(expanded_res)] <- 0

Dies kann auch funktional implementiert werden, siehe Antworten: Hinzufügen von Zeilen zu gruppierten Daten mit dplyr?

Ein Hack:

Ich dachte, ich würde einen schrecklichen Hack posten , der in diesem Fall aus Interesse funktioniert. Ich bezweifle ernsthaft, dass Sie dies jemals tun sollten, aber es zeigt, wie group_by()die Attribute erzeugt werden, als ob df$bein Zeichenvektor kein Faktor mit Ebenen wäre. Ich gebe auch nicht vor, dies richtig zu verstehen - aber ich hoffe, das hilft mir beim Lernen - dies ist der einzige Grund, warum ich es poste!

by_b <- tbl_df(df) %>% group_by(b)

Definieren Sie einen "Out-of-Bound" -Wert, der im Dataset nicht vorhanden sein kann.

oob_val <- nrow(by_b)+1

Ändern Sie die Attribute in "Trick" summarise():

attr(by_b, "indices")[[3]] <- rep(NA,oob_val)
attr(by_b, "group_sizes")[3] <- 0
attr(by_b, "labels")[3,] <- 3

Machen Sie die Zusammenfassung:

res <- by_b %>% summarise(count_a = n())

indizieren und ersetzen Sie alle Vorkommen von oob_val

res[res == oob_val] <- 0

was gibt das beabsichtigte:

> res
Source: local data frame [3 x 2]

b count_a
1 1       6
2 2       6
3 3       0

Dies ist nicht genau das, was in der Frage gestellt wurde, aber zumindest für dieses einfache Beispiel könnten Sie das gleiche Ergebnis mit xtabs erzielen, zum Beispiel:

mit dplyr:

df %>%
  xtabs(formula = ~ b) %>%
  as.data.frame()

oder kürzer:

as.data.frame(xtabs( ~ b, df))

Ergebnis (in beiden Fällen gleich):

  b Freq
1 1    6
2 2    6
3 3    0