dplyr mutate 调用另一个数据帧

Question

我想通过应用调用另一个数据帧的函数来改变数据帧。我可以通过几种不同的方式实现这一点，但想知道如何“正确”地做到这一点。

这是我正在尝试做的一个示例。我有一个带有一些开始时间的数据框，还有一个带有一些定时观察的数据框。我想返回一个包含开始时间的数据框，以及开始时间之后某个窗口内发生的观察次数。例如

set.seed(1337)
df1 <- data.frame(id=LETTERS[1:3], start_time=1:3*10)
df2 <- data.frame(time=runif(100)*100)
lapply(df1$start_time, function(s) sum(df2$time>s & df2$time<(s+15)))

到目前为止，我使用 dplyr 得到的最好的结果如下（但这会丢失身份变量）：

df1 %>% 
    rowwise() %>%
    do(count = filter(df2, time>.$start_time, time < (.$start_time + 15))) %>%
    mutate(n=nrow(count))

输出：

Source: local data frame [3 x 2]
Groups: <by row>

# A tibble: 3 × 2
                  count     n
                 <list> <int>
1 <data.frame [17 × 1]>    17
2 <data.frame [18 × 1]>    18
3 <data.frame [10 × 1]>    10

我期待能够做到这一点：

df1 <- data.frame(id=LETTERS[1:3], start_time=1:3*10)
df2 <- data.frame(time=runif(100)*100)
df1 %>% 
    group_by(id) %>% 
    mutate(count = nrow(filter(df2, time>start_time, time<(start_time+15))))

但这会返回错误：

Error: comparison (6) is possible only for atomic and list types

dplyr 的做法是什么？

Answer 1

这是data.table 的一个选项，我们可以使用non-equi 连接

library(data.table)#1.9.7+
setDT(df1)[, start_timeNew := start_time + 15]
setDT(df2)[df1, .(id, .N), on = .(time > start_time, time < start_timeNew), 
           by = .EACHI][, c('id', 'N'), with = FALSE]
#   id  N
#1:  A 17
#2:  B 18
#3:  C 10

它给出的计数与 OP 的 base R 方法中的计数相同

sapply(df1$start_time, function(s) sum(df2$time>s & df2$time<(s+15)))
#[1] 17 18 10

---

如果我们还需要 'id' 变量作为 dplyr 中的输出，我们可以修改 OP 的代码

df1 %>%
    rowwise() %>% 
    do(data.frame(., count = filter(df2, time>.$start_time,
                                 time < (.$start_time + 15)))) %>% 
    group_by(id) %>% 
    summarise(n = n())
#      id     n
#  <fctr> <int>
#1      A    17
#2      B    18
#3      C    10

或者另一个选项是map 来自purrr 和dplyr

library(purrr)
df1 %>% 
    split(.$id) %>% 
    map_df(~mutate(., N = sum(df2$time >start_time & df2$time < start_time + 15))) %>% 
    select(-start_time)
#   id  N
#1  A 17
#2  B 18
#3  C 10

Answer 2

使用dplyr的另一种略有不同的方法：

result <- df1 %>% group_by(id) %>% 
                  summarise(count = length(which(df2$time > start_time &
                                                 df2$time < (start_time+15))))

print(result)
### A tibble: 3 x 2
##      id count
##  <fctr> <int>
##1      A    17
##2      B    18
##3      C    10

我相信您可以使用length 和which 来计算df1 中每个id 的条件为真的出现次数。然后，按id 分组并将其用于summarise。

---

如果每个id 可能有多个start_time，那么您可以使用相同的功能，但rowwise 和mutate：

result <- df1 %>% rowwise() %>% 
                  mutate(count = length(which(df2$time > start_time & 
                                              df2$time < (start_time+15))))
print(result)
##Source: local data frame [3 x 3]
##Groups: <by row>
##
### A tibble: 3 x 3
##      id start_time count
##  <fctr>      <dbl> <int>
##1      A         10    17
##2      B         20    18
##3      C         30    10