Raggruppa per più colonne in dplyr, utilizzando l'input vettoriale stringa

Sto cercando di trasferire la mia comprensione di plyr in dplyr, ma non riesco a capire come raggruppare per più colonne.

# 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

Cosa mi manca per tradurre l'esempio plyr in una sintassi dplyr-esque?

Modifica 2017 : Dplyr è stato aggiornato, quindi è disponibile una soluzione più semplice. Vedi la risposta attualmente selezionata.

Da quando questa domanda è stata pubblicata, dplyr ha aggiunto versioni con ambito di group_by( documentazione qui ). Ciò ti consente di utilizzare le stesse funzioni che utilizzeresti select, in questo modo:

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 

L'output della tua domanda di esempio è come previsto (vedi confronto con plyr sopra e output sotto):

# 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

Si noti che poiché dplyr::summarizesi toglie solo uno strato di raggruppamento alla volta, è ancora in corso un raggruppamento nella tabella risultante (che a volte può catturare le persone sorpreso più avanti lungo la linea). Se si desidera essere assolutamente al sicuro da comportamenti di raggruppamento imprevisti, è sempre possibile aggiungere %>% ungroupalla pipeline dopo il riepilogo.

Proprio per scrivere il codice per intero, ecco un aggiornamento sulla risposta di Hadley con la nuova sintassi:

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())

produzione:

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

Il supporto per questo in dplyr è attualmente piuttosto debole, alla fine penso che la sintassi sarà qualcosa del tipo:

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

Ma probabilmente non ci sarà per un po '(perché ho bisogno di riflettere su tutte le conseguenze).

Nel frattempo, puoi usare regroup(), che accetta un elenco di simboli:

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())

Se hai un vettore di caratteri con nomi di colonne, puoi convertirli nella struttura corretta con lapply()e as.symbol():

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

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

Le specifiche delle stringhe delle colonne dplyrsono ora supportate attraverso varianti delle dplyrfunzioni con nomi che finiscono in un trattino basso. Ad esempio, in corrispondenza della group_byfunzione esiste una group_by_funzione che può accettare argomenti stringa. Questa vignetta descrive in dettaglio la sintassi di queste funzioni.

Il frammento seguente risolve in modo chiaro il problema originariamente posto da @sharoz (nota la necessità di scrivere l' .dotsargomento):

# Given data and columns from the OP

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

(Si noti che dplyr ora utilizza l' %>%operatore ed %.%è obsoleto).

Fino a quando dplyr ha il pieno supporto per gli argomenti di stringa, forse questa sintesi è utile:

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

Contiene un sacco di funzioni wrapper come s_group_by, s_mutate, s_filter, ecc. Che usano argomenti stringa. Puoi mescolarli con le normali funzioni dplyr. Per esempio

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

Funziona se gli passi gli oggetti (beh, non lo sei, ma ...) piuttosto che come un personaggio vettoriale:

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

dov'era il dftuo data.

?group_by dice:

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

che interpreto per indicare non le versioni dei personaggi dei nomi, ma il modo in cui ti riferiresti a loro foo$bar; barnon è citato qui. O come ci si fa riferimento a variabili in una formula: foo ~ bar.

@Arun menziona anche che puoi fare:

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

Ma non puoi passare qualcosa che non valutato non è il nome di una variabile nell'oggetto dati.

Presumo che ciò sia dovuto ai metodi interni che Hadley sta usando per cercare le cose che passi attraverso l' ...argomento.

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))

Un (piccolo) caso che manca nelle risposte qui, che volevo esplicitare, è quando le variabili da raggruppare vengono generate dinamicamente a metà flusso in una pipeline:

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_")
  )

Questo in sostanza mostra come utilizzare grepinsieme group_by_(.dots = ...)a raggiungere questo obiettivo.

Esempio generale sull'uso .dotsdell'argomento come input vettoriale di caratteri per la dplyr::group_byfunzione:

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

O senza un nome in codice per la variabile di raggruppamento (come richiesto dall'OP):

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

Con l'esempio dell'OP:

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

Vedi anche la vignetta dplyr sulla programmazione che spiega pronomi, quasiquotazione, quosure e ordinamento.