何时在 dplyr 中使用“Do”功能

Question

我了解到Do 函数用于将函数应用于每个组。

例如，如果我想从变量Index的“A”、“C”和“I”类别中提取前2行，可以使用以下语法。

t <- mydata %>% filter(Index %in% c("A", "C", "I")) %>% group_by(Index) %>% do(head(.,2))

我了解在按索引分组后，do 函数用于计算每个组的 head(.,2)。

但是，在某些情况下，do 根本不被使用。例如，要计算按变量Index 分组的变量Y2014 的平均值，我认为应该使用以下代码。

t <- mydata %>% group_by(Index) %>% do(summarise(Mean_2014 = mean(Y2014)))

但是，上面的语法返回错误

Error in mean(Y2014) : object 'Y2014' not found

但如果我从语法中删除 do，它会返回我真正想要的内容。

t <- mydata %>% group_by(Index) %>% summarise(Mean_2014 = mean(Y2014))

我对在 dplyr 中使用 do 函数感到非常困惑。对我来说似乎不一致。我应该在什么时候使用和不使用do 函数？为什么我应该在第一种情况下使用do 而不是在第二种情况下？

Answer 1

问题下的 cmets 讨论了在许多情况下，您可以在 dplyr 或相关软件包中找到避免使用 do 的替代方案，并且问题中的示例属于这种情况；但是，直接回答这个问题而不是通过替代方法：

使用do和不使用的区别

在数据帧的上下文中，使用do 和不使用do 之间的主要区别是：

1. 不自动插入点do 中的代码不会将点自动插入到第一个参数中。例如，不是问题中的do(summarise(Mean_2014 = mean(Y2014))) 代码，而是必须用点编写do(summarise(., Mean_2014 = mean(Y2014)))，因为点不会自动插入。这是do 是%>% 而不是summarize 的右侧函数的结果。虽然理解这一点很重要，以便我们在需要时插入点，如果目的只是为了避免将点自动插入第一个参数，我们可以交替使用大括号来获得这种效果：whatever %>% { myfun(arg1, arg2) } 也 not em> 自动插入点作为myfun 调用的第一个参数。

2. 尊重 group_by 只有专门为尊重group_by 而编写的函数才会这样做。这里有两个问题。 (1) 只有专门为尊重group_by 而编写的函数才会为每个组运行一次​​。 mutate、summarize 和 do 是每组运行一次​​的函数示例（还有其他函数）。 (2) 即使函数对每个组运行一次​​，也存在如何处理点的问题。我们关注两种情况（不是完整的列表）：（i）如果do 没有被使用，那么如果在一个函数调用中对一个参数的表达式使用点，它将引用整个输入而忽略group_by。大概这是 magrittr 的点替换规则的结果，它对group_by 一无所知。另一方面 (ii) 在do dot 内总是指当前组的行。例如，比较这两者的输出并注意在第一种情况下使用 do 时 dot 表示 3 行，而在第二种情况下没有使用 6 行。尽管summarize 尊重group_by，因为它每组运行一次​​。

   BOD$g <- c(1, 1, 1, 2, 2, 2)
   BOD %>% group_by(g) %>% do(summarize(., nr = nrow(.)))
   ## # A tibble: 2 x 2
   ## # Groups: g [2]
   ##       g    nr
   ##   <dbl> <int>
   ## 1  1.00     3
   ## 2  2.00     3
   
   BOD %>% group_by(g) %>% summarize(nr = nrow(.))
   ## # A tibble: 2 x 2
   ##       g    nr
   ##   <dbl> <int>
   ## 1  1.00     6
   ## 2  2.00     6
   

更多信息请参见?do。

问题代码

现在我们查看问题中的代码。由于mydata 从未在问题中定义，我们使用下面的第一行代码来定义它以方便具体示例。

mydata <- data.frame(Index = rep(c("A", "C", "I"), each = 3), Y2014 = 1)

mydata %>% 
       filter(Index %in% c("A", "C", "I")) %>% 
       group_by(Index) %>% 
       do(head(., 2))

## # A tibble: 6 x 2
## # Groups: Index [3]
##   Index  Y2014
##   <fctr> <dbl>
## 1 A       1.00
## 2 A       1.00
## 3 C       1.00
## 4 C       1.00
## 5 I       1.00
## 6 I       1.00

上面的代码为 3 组中的每组生成 2 行，共 6 行。如果我们省略了do，那么它将忽略group_by，只生成两行，点被视为整个9行输入，而不是一次只生成每一组。 （在这种特殊情况下，dplyr 提供了自己的 head 替代方案，可以避免这些问题，但为了说明一般观点，我们坚持问题中的代码。）

问题中的以下代码会产生错误，因为点插入未在 do 内完成，因此缺少 summarise 的第一个参数，即数据框输入：

mydata %>% 
       group_by(Index) %>% 
       do(summarise(Mean_2014 = mean(Y2014)))
## Error in mean(Y2014) : object 'Y2014' not found

如果我们删除上面代码中的do，就像问题中的最后一行代码一样，那么它可以工作，因为执行了点插入。或者，如果我们添加点do(summarise(., Mean_2014 = mean(Y2014)))，它也可以工作，尽管do 在这种情况下看起来真的是多余的，因为summarize 已经尊重group_by，所以没有必要将它包装在do 中。

mydata %>% 
       group_by(Index) %>% 
       summarise(Mean_2014 = mean(Y2014))

## # A tibble: 3 x 2
##   Index  Mean_2014
##   <fctr>     <dbl>
## 1 A           1.00
## 2 C           1.00
## 3 I           1.00