Grupuj według wielu kolumn w programie dplyr, używając danych wejściowych typu string

Próbuję przenieść moje rozumienie plyr do dplyr, ale nie mogę dowiedzieć się, jak grupować według wielu kolumn.

# 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

Czego mi brakuje, aby przetłumaczyć przykład plyr na składnię dplyr?

Edycja 2017 : Dplyr został zaktualizowany, więc dostępne jest prostsze rozwiązanie. Zobacz aktualnie wybraną odpowiedź.

Odkąd to pytanie zostało opublikowane, dplyr dodał wersje z określonym zakresem group_by( dokumentacja tutaj ). Dzięki temu możesz używać tych samych funkcji, których używałbyś z select, na przykład:

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 

Wynik twojego przykładowego pytania jest zgodny z oczekiwaniami (zobacz porównanie z plyr powyżej i wyjście poniżej):

# 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

Zwróć uwagę, że ponieważ dplyr::summarizew danym momencie usuwa się tylko jedną warstwę grupowania, w wynikowym tibble nadal zachodzi pewne grupowanie (które może czasem zaskoczyć ludzi później). Jeśli chcesz się całkowicie zabezpieczyć przed nieoczekiwanym zachowaniem związanym z grupowaniem, zawsze możesz dodać %>% ungroupdo potoku po podsumowaniu.

Aby napisać cały kod, oto aktualizacja odpowiedzi Hadley z nową składnią:

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())

wynik:

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

Obsługa tego w dplyr jest obecnie dość słaba, ostatecznie myślę, że składnia będzie wyglądać mniej więcej tak:

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

Ale to prawdopodobnie nie będzie przez jakiś czas (ponieważ muszę przemyśleć wszystkie konsekwencje).

W międzyczasie możesz użyć regroup(), który pobiera listę symboli:

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())

Jeśli masz wektor znaków nazw kolumn, możesz przekonwertować je na właściwą strukturę za pomocą lapply()i as.symbol():

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

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

Specyfikacja łańcuchów kolumn w programie dplyrjest teraz obsługiwana przez warianty dplyrfunkcji z nazwami zakończonymi podkreśleniem. Na przykład, odpowiadająca group_byfunkcji istnieje group_by_funkcja, która może przyjmować argumenty w postaci łańcuchów. Ta winieta szczegółowo opisuje składnię tych funkcji.

Poniższy fragment jednoznacznie rozwiązuje problem, który pierwotnie postawił @sharoz (zwróć uwagę na potrzebę zapisania .dotsargumentu):

# Given data and columns from the OP

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

(Zauważ, że dplyr używa teraz %>%operatora i %.%jest przestarzały).

Dopóki dplyr nie będzie w pełni obsługiwał argumentów łańcuchowych, być może ta treść jest przydatna:

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

Zawiera kilka funkcji opakowujących, takich jak s_group_by, s_mutate, s_filter itp., Które używają argumentów łańcuchowych. Można je mieszać z normalnymi funkcjami programu dplyr. Na przykład

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

Działa, jeśli przekażesz mu obiekty (cóż, nie jesteś, ale ...), a nie jako wektor znakowy:

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

gdzie dfbył twój data.

?group_by mówi:

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

które interpretuję jako oznaczające nie wersje znakowe imion, ale sposób, w jaki można się do nich odnieść foo$bar; barnie jest tutaj cytowany. Albo jak chcesz odwołać się do zmiennych w formule: foo ~ bar.

@Arun wspomina również, że możesz:

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

Ale nie możesz przekazać czegoś, co nie zostało ocenione jako nazwa zmiennej w obiekcie danych.

Przypuszczam, że jest to spowodowane wewnętrznymi metodami, których Hadley używa do wyszukiwania rzeczy, które przekazujesz za pomocą ...argumentu.

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))

Jeden (mały) przypadek, którego brakuje w odpowiedziach tutaj, który chciałem wyjaśnić, to sytuacja, gdy zmienne do grupowania są generowane dynamicznie w potoku:

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_")
  )

To w zasadzie pokazuje, jak używać grepw połączeniu z, group_by_(.dots = ...)aby to osiągnąć.

Ogólny przykład użycia .dotsargumentu jako wejścia wektora znakowego do dplyr::group_byfunkcji:

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

Lub bez zakodowanej na stałe nazwy zmiennej grupującej (zgodnie z zapytaniem OP):

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

Na przykładzie PO:

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

Zobacz także winietę dplyr dotyczącą programowania, która wyjaśnia zaimki, quasi-cudzysłowy, kłamstwa i tidyeval.