如何拆分数据框，应用某些功能，然后将其重新组合在一起？

Question

我经常有一个数据框，里面包含一个数值变量和一个分类变量，我想根据分类变量对数值变量进行拆分，进行一些操作，然后以数据框的形式重新组合起来。该操作取决于一个类别中数值向量的整个部分，并且有时会返回一个不同长度的向量。我知道如何以一种丑陋的方式做到这一点（见 下面的示例），但这似乎是一种常见的操作，所以我想知道是否有一种我不知道的更简单的方法。我特别想知道是否有使用tidyverse 的解决方案。

这是我所说的一个例子。

df = data.frame(y=1:10, g=rep(c("a", "b"), each=5))

假设我想将变量 y 标准化为介于 0 和 1 之间对于分类变量的每个级别。这是一个通用的方法：

do.call(
    rbind,
    lapply(unique(df$g),
           function(level) {
               y.current = df$y[df$g==level]

               ## perform some operation
               y.new = (y.current-min(y.current))/
                   (max(y.current)-min(y.current))

               return(data.frame(y=y.new,
                                 g=level))
           }
           )
)

这需要大量输入，而且可读性不强。有没有更好的办法？

编辑：感谢您的出色回答。我唯一仍然感兴趣的是使用tidyverse 执行此操作的完全通用方法。如果我们将示例更改为数值向量的大小减小但大于 1 的操作，则 group_by/mutate/summarize 组合不起作用。例如，假设我想删除每个组中的最大值。我可以的

library(dplyr)
df = data.frame(y=1:10, g=rep(c("a", "b"), each=5))
trans_df = df %>%
    group_by(g) %>%
    do(y=.$y[-which.max(.$y)])

转换后的数据框trans_df 具有每个级别一个观察值的分组变量，并且转换后的变量作为分组变量每个级别的列表。我可以使用 base R 将其置于原始格式中

data.frame(g=rep(trans_df$g, times=sapply(trans_df$y, length)),
           y=do.call(c, trans_df$y))

但是我怎样才能使用tidyverse呢？

Answer 1

使用data.table：

library(data.table)
df=as.data.table(df)
df[,(y-min(y))/(max(y)-min(y)),by=g]
    g   V1
 1: a 0.00
 2: a 0.25
 3: a 0.50
 4: a 0.75
 5: a 1.00
 6: b 0.00
 7: b 0.25
 8: b 0.50
 9: b 0.75
10: b 1.00

Answer 2

在基础 R 中，您可以这样做：

df$y <- ave(df$y,df$g, FUN = function(y) (y - min(y))/(max(y) - min(y)))
#       y g
# 1  0.00 a
# 2  0.25 a
# 3  0.50 a
# 4  0.75 a
# 5  1.00 a
# 6  0.00 b
# 7  0.25 b
# 8  0.50 b
# 9  0.75 b
# 10 1.00 b

或者这个也是一样的效果：

split(df$y,df$g) <- tapply(df$y, df$g, function(y) (y - min(y))/(max(y) - min(y)))

如果您需要在 data.frame 的其他变量中工作，则更加灵活：

by_ <- by(df, df$g, function(x) transform(x, y = (y - min(y))/(max(y) - min(y))))
do.call(rbind, by_)
#         y g
# a.1  0.00 a
# a.2  0.25 a
# a.3  0.50 a
# a.4  0.75 a
# a.5  1.00 a
# b.6  0.00 b
# b.7  0.25 b
# b.8  0.50 b
# b.9  0.75 b
# b.10 1.00 b

Answer 3

这是经典的拆分-应用-组合方法。您按分类变量进行分组，将某些功能应用于各个组，然后重新组合在一起。在dplyr 中，这是由group_by 处理的。

df <- data.frame(y=1:10, g=rep(c("a", "b"), each=5))

library(dplyr)
df %>%
  group_by(g) %>% 
  mutate(y2 = (y - min(y)) / (max(y) - min(y)))
#> # A tibble: 10 x 3
#> # Groups:   g [2]
#>        y g        y2
#>    <int> <fct> <dbl>
#>  1     1 a      0   
#>  2     2 a      0.25
#>  3     3 a      0.5 
#>  4     4 a      0.75
#>  5     5 a      1   
#>  6     6 b      0   
#>  7     7 b      0.25
#>  8     8 b      0.5 
#>  9     9 b      0.75
#> 10    10 b      1

df %>%
  group_by(g) %>% 
  top_n(-4, y)
#> # A tibble: 8 x 2
#> # Groups:   g [2]
#>       y g    
#>   <int> <fct>
#> 1     1 a    
#> 2     2 a    
#> 3     3 a    
#> 4     4 a    
#> 5     6 b    
#> 6     7 b    
#> 7     8 b    
#> 8     9 b

由reprex package (v0.2.0) 于 2018 年 7 月 3 日创建。