Summe über mehrere Spalten mit dplyr

Meine Frage besteht darin, Werte über mehrere Spalten eines Datenrahmens zu summieren und eine neue Spalte zu erstellen, die dieser Summierung entspricht dplyr. Die Dateneinträge in den Spalten sind binär (0,1). Ich denke an ein zeilenweises Analogon der summarise_eachoder mutate_eachFunktion von dplyr. Unten finden Sie ein minimales Beispiel für den Datenrahmen:

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

Ich könnte so etwas gebrauchen wie:

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

Dies würde jedoch das Aufschreiben der Namen jeder der Spalten beinhalten. Ich habe gerne 50 Spalten. Darüber hinaus ändern sich die Spaltennamen bei verschiedenen Iterationen der Schleife, in der ich diese Operation implementieren möchte, sodass ich versuchen möchte, keine Spaltennamen anzugeben.

Wie kann ich das am effizientesten machen? Jede Unterstützung wäre sehr dankbar.

Wie wäre es mit

Fassen Sie jede Spalte zusammen

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

Fassen Sie jede Zeile zusammen

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

Wenn Sie nur bestimmte Spalten summieren möchten, würde ich Folgendes verwenden:

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)

Auf diese Weise können Sie die dplyr::selectSyntax verwenden.

Ich würde Matching mit regulären Ausdrücken verwenden, um Variablen mit bestimmten Musternamen zu summieren. Beispielsweise:

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

Auf diese Weise können Sie mehr als eine Variable als Summe bestimmter Variablengruppen Ihres Datenrahmens erstellen.

Die Verwendung von reduce()from purrrist etwas schneller als rowSumsund definitiv schneller als apply, da Sie das Durchlaufen aller Zeilen vermeiden und nur die vektorisierten Operationen nutzen:

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

Siehe dies für Timings

Ich stoße häufig auf dieses Problem, und der einfachste Weg, dies zu tun, besteht darin, die apply()Funktion innerhalb eines mutateBefehls zu verwenden.

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))

Hier können Sie alles verwenden, was Sie möchten, um die Spalten mit den Standardtricks dplyr(z . B. starts_with()oder contains()) auszuwählen . Wenn Sie die gesamte Arbeit in einem einzigen mutateBefehl ausführen, kann diese Aktion an einer beliebigen Stelle innerhalb eines dplyrStroms von Verarbeitungsschritten ausgeführt werden. Schließlich haben Sie durch die Verwendung der apply()Funktion die Flexibilität, jede benötigte Zusammenfassung zu verwenden, einschließlich Ihrer eigenen speziell entwickelten Zusammenfassungsfunktion.

Wenn die Idee, eine nicht-tidyverse-Funktion zu verwenden, nicht ansprechend ist, können Sie alternativ die Spalten zusammenfassen, zusammenfassen und das Ergebnis schließlich wieder mit dem ursprünglichen Datenrahmen verbinden.

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, . )

Hier habe ich die starts_with()Funktion verwendet, um die Spalten auszuwählen und die Summe zu berechnen, und Sie können mit NAWerten tun, was Sie wollen . Der Nachteil dieses Ansatzes ist, dass er zwar ziemlich flexibel ist, aber nicht wirklich in einen dplyrStrom von Datenbereinigungsschritten passt .