dplyr：将分组的 tibble 传递给自定义函数

Question

（以下场景简化了我的实际情况）
我的数据来自村庄，我想用村庄变量来总结一个结果变量。

> data
   village     A     Z      Y 
     <chr> <int> <int>   <dbl> 
 1       a     1     1   500     
 2       a     1     1   400     
 3       a     1     0   800  
 4       b     1     0   300  
 5       b     1     1   700  

例如，我想仅使用Z==z 按村庄计算Y 的平均值。在这种情况下，我希望村庄“a”有 (500 + 400)/2 = 450，村庄“b”有 700。

请注意，实际情况比较复杂，我不能直接使用this answer，但是我需要将一个分组的tibble和一个全局变量（z）传递给我的函数。

z <- 1 # z takes 0 or 1
data %>%
    group_by(village) %>% # grouping by village
    summarize(Y_village = Y_hat_village(., z)) # pass a part of tibble and a global variable

Y_hat_village <- function(data_village, z){
    # This function takes a part of tibble (`data_village`) and a variable `z`
    # Calculate the mean for a specific z in a village
    data_z <- data_village %>% filter(Z==get("z"))
    return(mean(data_z$Y))
}

但是，我发现. 传递了整个 tibble，并且上面的代码为所有组返回了相同的值。

Answer 1

您可以简化几件事。一个在您的函数中：由于您将值z 传递给函数，因此您不需要使用get("z")。你传入的全局环境中有一个z；或者，更安全地，将您的 z 值分配给具有其他名称的变量，这样您就不会遇到范围问题，并将其传递给函数。在这种情况下，我称之为z_val。

library(tidyverse)

z_val <- 1

Y_hat_village2 <- function(data, z) {
  data_z <- data %>% filter(Z == z)
  return(mean(data_z$Y))
}

您可以使用do 对每个组进行函数调用，这将为您提供一个列表列，然后取消嵌套该列。再次注意，我将变量 z_val 传递给参数 z。

df %>%
  group_by(village) %>%
  do(y_hat = Y_hat_village2(., z = z_val)) %>%
  unnest()
#> # A tibble: 2 x 2
#>   village y_hat
#>   <chr>   <dbl>
#> 1 a         450
#> 2 b         700

但是，do 已被弃用，取而代之的是 purrr::map，我仍然无法掌握它。在这种情况下，您可以分组和嵌套，这会给出一列称为data 的数据框，然后映射到该列并再次提供z = z_val。当您取消嵌套 y_hat 列时，您仍将原始数据作为嵌套列，因为您仍希望访问其余列。

df %>%
  group_by(village) %>%
  nest() %>%
  mutate(y_hat = map(data, ~Y_hat_village2(., z = z_val))) %>%
  unnest(y_hat)
#> # A tibble: 2 x 3
#>   village data             y_hat
#>   <chr>   <list>           <dbl>
#> 1 a       <tibble [3 × 3]>   450
#> 2 b       <tibble [2 × 3]>   700

为了检查一切是否正常，我还传入了z = 0 以检查 1. 范围问题和 2. z 的其他值是否有效。

df %>%
  group_by(village) %>%
  nest() %>%
  mutate(y_hat = map(data, ~Y_hat_village2(., z = 0))) %>%
  unnest(y_hat)
#> # A tibble: 2 x 3
#>   village data             y_hat
#>   <chr>   <list>           <dbl>
#> 1 a       <tibble [3 × 3]>   800
#> 2 b       <tibble [2 × 3]>   300

Answer 2

作为@patL 答案的扩展/修改，您还可以将tidyverse 解决方案包装在purrr:map 中以返回两个tibbles 的list，每个z 值一个：

z <- c(0, 1);
map(z, ~df %>% filter(Z == .x) %>% group_by(village) %>% summarise(Y.mean = mean(Y)))
#[[1]]
## A tibble: 2 x 2
#  village Y.mean
#  <fct>    <dbl>
#1 a         800.
#2 b         300.
#
#[[2]]
## A tibble: 2 x 2
#  village Y.mean
#  <fct>    <dbl>
#1 a         450.
#2 b         700.

---

样本数据

df <- read.table(text =
    "  village     A     Z      Y
 1       a     1     1   500
 2       a     1     1   400
 3       a     1     0   800
 4       b     1     0   300
 5       b     1     1   700  ", header = T)

Answer 3

您可以使用dplyr 来完成它：

library(dplyr)

df %>% 
  group_by(village) %>% 
  filter(Z == 1) %>% 
  summarise(Y_village = mean(Y))

## A tibble: 2 x 2
#  village Y_village
#  <chr>       <dbl>
#1 a             450
#2 b             700

获取所有列：

df %>% 
  group_by(village) %>% 
  filter(Z == 1) %>% 
  mutate(Y_village = mean(Y)) %>% 
  distinct(village, A, Z, Y_village)

## A tibble: 2 x 4
## Groups:   village [2]
#  village     A     Z Y_village
#  <chr>   <dbl> <dbl>     <dbl>
#1 a           1     1       450
#2 b           1     1       700

数据

df <- data_frame(village = c("a", "a", "a", "b", "b"),
                 A = rep(1, 5),
                 Z = c(1, 1, 0, 0, 1),
                 Y = c(500, 400, 800, 30, 700))