在 R dplyr 包中添加额外的变量到 summarise_at

Question

我正在使用 R 的 dplyr 包来获取几个变量的汇总统计信息，其中许多变量的名称都相似。例如，我有数百个变量都命名为doctor_id_X，其中X 是某个整数（例如doctor_id_1、doctor_id_33、doctor_id_543 等）。我可以很容易地获得这些“doctor_id”变量的最大值，这些变量按treatment1分组，在summarize_at语句中使用所谓的“助手”，如下所示：

mydf %>% group_by(treatment1) %>% 
summarize_at(vars(contains("doctor_id")), max)

但是，除了获得这些max 统计数据之外，我还试图获得一些其他变量的平均值，这些变量的名称与doctor_id 变量之一类似，称为procedure_time。有没有办法通过修改我上面的代码来有效地做到这一点？

为了更好地解释我想要做什么，这是一个数据框的玩具示例：

library(dplyr)
set.seed(20190813)
mydf <- data.frame(treatment1 = sample(LETTERS[1:3], 100, replace=TRUE),
                   treatment2 = sample(LETTERS[4:5], 100, replace=TRUE), 
                   doctor_id_1=rbinom(100, 1, .01),
                   doctor_id_2=rbinom(100, 1, .5),
                   doctor_id_3=rbinom(100, 1, .6),
                   doctor_id_4=rbinom(100, 1, .7),
                   y=rnorm(100))
    head(mydf)

  treatment1 treatment2 doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4          y
1          A          D           0           0           1           0 -1.1175362
2          A          E           0           0           1           1 -2.2813598
3          A          D           0           1           1           0  0.5886914
4          A          D           0           0           1           1  0.9854405
5          B          E           0           0           1           1  1.8831306
6          A          E           0           1           1           1 -0.3875261

通过doctor_id 变量获取max 值摘要没有问题：

mydf %>% group_by(treatment1) %>% 
   summarize_at(vars(contains("doctor_id")), max)

# A tibble: 3 x 5
  treatment1 doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
  <fct>            <int>       <int>       <int>       <int>
1 A                    1           1           1           1
2 B                    0           1           1           1
3 C                    0           1           1           1

但是现在，我还想在汇总语句中找到y 的mean。我试过了，但没有用：

mydf %>% group_by(treatment1) %>% 
   summarize_at(y_avg=mean(y), vars(y, contains("doctor_id")), max)

但是，我确实注意到，以下内容让我更接近我想要的，只是它为所有 doctor_id 变量和 y 变量生成了 max，但我只需要 @987654344 @ 代表y 变量。

mydf %>% group_by(treatment1) %>% 
summarize_at(vars(y, contains("doctor_id")), max)

# A tibble: 3 x 6
  treatment1     y doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
  <fct>      <dbl>       <int>       <int>       <int>       <int>
1 A           1.70           1           1           1           1
2 B           1.88           0           1           1           1
3 C           1.45           0           1           1           1

这也让我很接近，但它为两个变量生成了两个统计数据：

mydf %>% group_by(treatment1) %>% 
   summarize_at(vars(y, contains("doctor_id")), c(max, mean))

所以，总而言之，我的问题是，有没有办法在 summarise_by 语句中使用辅助函数，并且还包括另一个变量的不同统计信息，而不必求助于连接？

Answer 1

这是一种选择，我们可以使用mutate（然后在group_by 中添加）或直接在group_by 中的“治疗”分组数据之后创建变量“y_avg”，然后执行@ 987654324@

library(dplyr)
mydf %>%
   group_by(treatment1)  %>%
   group_by(y_avg = mean(y), add = TRUE ) %>% 
   summarize_at(vars(contains("doctor_id")), max)
# A tibble: 3 x 6
# Groups:   treatment1 [3]
#  treatment1    y_avg doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
#  <fct>         <dbl>       <int>       <int>       <int>       <int>
#1 A          -0.216             0           1           1           1
#2 B           0.0659            0           1           1           1
#3 C          -0.00830           1           1           1           1

---

或者另一种选择是在mutate 中创建“y_avg”，然后在group_by 中使用它

mydf %>%
   group_by(treatment1) %>%
   mutate(y_avg = mean(y) %>%
   group_by(y_avg, add = TRUE) %>%
   summarize_at(vars(contains("doctor_id")), max)

---

或者另一种选择是 select 仅关注变量，在按“治疗”分组后使用 mutate 和 mutate_at 更新列，然后是 distinct 数据集的行

mydf %>%
   select(treatment1, y_avg = y, contains('doctor_id')) %>% 
   group_by(treatment1) %>% 
   mutate(y_avg = mean(y_avg)) %>% 
   mutate_at(vars(contains('doctor_id')), max) %>%
   distinct

---

或者data.table的选项

library(data.table)
setDT(mydf)[, c(.(y_avg = mean(y)), lapply(.SD, max)),
        .(treatment1), .SDcols = grep('doctor_id', names(mydf))]
#.  treatment1        y_avg doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
#1:          C -0.008299684           1           1           1           1
#2:          B  0.065875911           0           1           1           1
#3:          A -0.216200359           0           1           1           1

Answer 2

我们可以使用mutategroup_bytreatment 计算y 的mean，将该列添加到summarise_at 以得到所有列的max。

library(dplyr)

mydf %>% 
  group_by(treatment1) %>% 
  mutate(y_avg = mean(y)) %>%
  summarise_at(vars(y_avg, contains("doctor_id")), max)

# A tibble: 3 x 6
#  treatment1   y_avg doctor_id_1 doctor_id_2 doctor_id_3 doctor_id_4
#  <fct>        <dbl>       <int>       <int>       <int>       <int>
#1 A          -0.192            1           1           1           1
#2 B          -0.0390           0           1           1           1
#3 C          -0.165            0           1           1           1