将汇总数据列表绑定到 data.frame 在 R 中创建一个未知列

Question

我有一个很大的 df（+100k 行，请参阅下面的数据快照），我正在尝试按组（物种）总结（最小值、平均值、中值、最大值等）表中的变量（盐度） ) 使用tapply，但如果我使用整个数据集（包含几个NA，但不是在每个组中）而不是随机子集，tapply 在它创建的表中添加一个名为“NA.s”的额外列，它有每个组的值。我不确定这个专栏是什么或它是如何创建的。使用 df 中随机选择的行的子集不会重新创建此问题，因此我不确定如何在此处重现我的数据...

我加载我的数据：

然后我运行这段代码：

sum_stats <- tapply(df$salinity, df$species, summary)

这似乎创建了一个看起来像这样的双精度列表（没有 NULL）：

单击其中一个会产生此效果，一切都很好：

> sum_stats[["Albula vulpes"]]
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  15.49   15.49   15.49   15.49   15.49   15.49 

然后创建数据框会以某种方式产生问题？

sum_data_table<-data.frame(do.call("rbind", sum_stats))

# Not sure what this is either

Warning message:
In rbind(`Achirus lineatus` = c(Min. = 6.11, `1st Qu.` = 20.97,  :
  number of columns of result is not a multiple of vector length (arg 1)

红色圈出的新未知列：

Answer 1

这会发生，因为有些物种没有NAs，而另一些则有。如果没有缺失，summary 将没有 NA 列，并且 rbind 不知道如何处理不同数量的列。当没有丢失时，您会看到第一个元素重复（最小）。对于缺少一些的物种，您会看到NA的计数

set.seed(1)
x <- expand.grid(letters, letters, letters)
x <- paste0(x$Var1, x$Var2, x$Var3)[1:150]
df <- data.frame(
  species = rep(x, 100),
  salinity = rnorm(15000)
)
df$salinity[df$salinity < -2.2] <- NA 

sum_stats <- tapply(df$salinity, df$species, summary)

sum_data_table<-data.frame(do.call("rbind", sum_stats))
#> Warning in rbind(aaa = structure(c(Min. = -1.7072100148514, `1st Qu.` =
#> -0.755344253350053, : number of columns of result is not a multiple of vector
#> length (arg 4)

删除丢失的将起作用：

sum_stats <- with(df[!is.na(df$salinity) ,] , tapply(salinity, species, summary))

sum_data_table<-data.frame(do.call("rbind", sum_stats))

或者，如果您还想了解缺失的摘要，也可以尝试使用 dplyr 中的 bind_rows。

library(dplyr)
sum_data_table<-data.frame(do.call(dplyr::bind_rows, sum_stats))