Suma wielu kolumn za pomocą dplyr

Moje pytanie polega na zsumowaniu wartości w wielu kolumnach ramki danych i utworzeniu nowej kolumny odpowiadającej temu podsumowaniu za pomocą dplyr. Wpisy danych w kolumnach są binarne (0,1). Myślę o wierszowym odpowiedniku funkcji summarise_eachlub mutate_eachfunkcji dplyr. Poniżej znajduje się minimalny przykład ramki danych:

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

Przydałoby się coś takiego:

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

ale wymagałoby to wypisania nazw każdej z kolumn. Mam jakieś 50 kolumn. Ponadto nazwy kolumn zmieniają się przy różnych iteracjach pętli, w której chcę zaimplementować tę operację, dlatego chciałbym spróbować uniknąć konieczności nadawania jakichkolwiek nazw kolumn.

Jak mogę to zrobić najskuteczniej? Każda pomoc byłaby bardzo mile widziana.

Co powiesz na

podsumuj każdą kolumnę

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

podsumuj każdy wiersz

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

Jeśli chcesz zsumować tylko niektóre kolumny, użyłbym czegoś takiego:

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)

W ten sposób możesz użyć dplyr::selectskładni.

Użyłbym dopasowywania wyrażeń regularnych, aby zsumować zmienne o określonych nazwach wzorców. Na przykład:

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

W ten sposób można utworzyć więcej niż jedną zmienną jako sumę określonej grupy zmiennych w ramce danych.

Używanie reduce()from purrrjest nieco szybsze rowSumsi zdecydowanie szybsze niż apply, ponieważ unikasz iteracji po wszystkich wierszach i po prostu korzystasz z operacji wektoryzowanych:

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

Zobacz to dla czasów

Często spotykam się z tym problemem, a najłatwiejszym sposobem jest użycie apply()funkcji w mutatepoleceniu.

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))

Tutaj możesz użyć wszystkiego, co chcesz, aby wybrać kolumny za pomocą standardowych dplyrsztuczek (np. starts_with()Lub contains()). Wykonując całą pracę w ramach jednego mutatepolecenia, ta akcja może wystąpić w dowolnym miejscu dplyrstrumienia kroków przetwarzania. Wreszcie, korzystając z tej apply()funkcji, masz elastyczność w używaniu dowolnego podsumowania, którego potrzebujesz, w tym własnej funkcji podsumowania zbudowanej specjalnie.

Alternatywnie, jeśli pomysł użycia funkcji non-tidyverse jest nieatrakcyjny, możesz zebrać kolumny, podsumować je i ostatecznie połączyć wynik z powrotem z oryginalną ramką danych.

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, . )

Tutaj użyłem starts_with()funkcji, aby wybrać kolumny i obliczyć sumę, i możesz zrobić, co chcesz z NAwartościami. Wadą tego podejścia jest to, że chociaż jest dość elastyczne, tak naprawdę nie pasuje do dplyrstrumienia kroków czyszczenia danych.

W nowszych wersjach programu dplyrmożna używać rowwise()wraz z c_acrossdo wykonywania agregacji wierszowej dla funkcji, które nie mają określonych wariantów wierszowych, ale jeśli istnieje wariant wierszowy, powinno być szybsze.

Ponieważ rowwise()jest to tylko specjalna forma grupowania i zmienia sposób działania czasowników, prawdopodobnie będziesz chciał to potokować ungroup()po wykonaniu operacji na wierszach.

Aby wybrać zakres wierszy:

df %>%
  dplyr::rowwise() %>% 
  dplyr::mutate(sumrange = sum(dplyr::c_across(x1:x5), na.rm = T))
# %>% dplyr::ungroup() # you'll likely want to ungroup after using rowwise()

Aby wybrać wiersze według typu:

df %>%
  dplyr::rowwise() %>% 
  dplyr::mutate(sumnumeric = sum(c_across(where(is.numeric)), na.rm = T))
# %>% dplyr::ungroup() # you'll likely want to ungroup after using rowwise()

W twoim konkretnym przypadku istnieje wariant wierszowy, więc możesz wykonać następujące czynności (zwróć uwagę na użycie acrosszamiast):

df %>%
  dplyr::mutate(sumrow = rowSums(dplyr::across(x1:x5), na.rm = T))

Więcej informacji można znaleźć na stronie w wierszach .