dplyr summarize: Odpowiednik „.drop = FALSE”, aby zachować grupy o zerowej długości na wyjściu

Podczas korzystania summarisez plyr„s ddplyfunkcji, puste kategorie są odrzucane domyślnie. Możesz zmienić to zachowanie, dodając .drop = FALSE. Jednak to nie działa w przypadku korzystania summarisez dplyr. Czy jest inny sposób na zachowanie pustych kategorii w wyniku?

Oto przykład z fałszywymi danymi.

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

Nie do końca to, na co liczyłem. Czy istnieje dplyrmetoda osiągnięcia takiego samego wyniku jak .drop=FALSEw plyr?

Ponieważ dplyr 0.8 group_by uzyskał .dropargument, który robi dokładnie to, o co prosiłeś:

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

Dodatkowa uwaga związana z odpowiedzią @ Moody_Mudskipper: użycie .drop=FALSEmoże dać potencjalnie nieoczekiwane wyniki, gdy jedna lub więcej zmiennych grupujących nie jest zakodowanych jako czynniki. Zobacz przykłady poniżej:

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)

Problem jest nadal otwarty, ale w międzyczasie, zwłaszcza że Twoje dane są już uwzględnione, możesz użyć completez „tidyr”, aby uzyskać to, czego szukasz:

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

Jeśli chcesz, aby wartość zastąpienia wynosiła zero, musisz to określić za pomocą 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

rozwiązanie dplyr:

Najpierw utwórz zgrupowane df

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

następnie podsumowujemy występujące poziomy licząc z n()

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

następnie scalamy nasze wyniki w ramkę danych zawierającą wszystkie poziomy czynników:

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

na koniec w tym przypadku, ponieważ patrzymy na zliczenia, NAwartości są zmieniane na 0.

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

Można to również zaimplementować funkcjonalnie, patrz odpowiedzi: Dodać wiersze do zgrupowanych danych za pomocą dplyr?

Hack:

Pomyślałem, że opublikuję okropny hack, który działa w tym przypadku ze względu na zainteresowanie. Poważnie wątpię, żebyś kiedykolwiek to zrobił, ale pokazuje, jak group_by()generuje atrybuty, jakby df$bwektor znakowy, a nie czynnik z poziomami. Poza tym nie udaję, że dobrze to rozumiem - ale mam nadzieję, że to pomoże mi się nauczyć - to jedyny powód, dla którego to publikuję!

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

zdefiniuj wartość „poza zakresem”, która nie może istnieć w zbiorze danych.

oob_val <- nrow(by_b)+1

zmień atrybuty na „oszukanie” summarise():

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

zrób podsumowanie:

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

zindeksuj i zamień wszystkie wystąpienia oob_val

res[res == oob_val] <- 0

co daje zamierzone:

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

b count_a
1 1       6
2 2       6
3 3       0

nie jest to dokładnie to, o co pytano w pytaniu, ale przynajmniej w tym prostym przykładzie możesz uzyskać ten sam wynik za pomocą xtabs, na przykład:

używając dplyr:

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

lub krócej:

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

wynik (równy w obu przypadkach):

  b Freq
1 1    6
2 2    6
3 3    0