dplyr 按行求和和其他函数，如 max

Question

如果我想使用 dplyr 对数据框中的一些变量求和，我可以这样做：

> head(iris)
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

> select(iris, starts_with('Petal')) %>% rowSums()
  [1] 1.6 1.6 1.5 1.7 1.6 2.1 1.7 1.7 1.6 1.6 1.7 1.8 1.5 1.2 1.4 1.9 1.7 1.7 2.0 1.8 1.9 1.9 1.2 2.2 2.1 1.8 2.0 1.7 1.6 1.8 1.8 1.9 1.6 1.6 1.7 1.4
 [37] 1.5 1.5 1.5 1.7 1.6 1.6 1.5 2.2 2.3 1.7 1.8 1.6 1.7 1.6 6.1 6.0 6.4 5.3 6.1 5.8 6.3 4.3 5.9 5.3 4.5 5.7 5.0 6.1 4.9 5.8 6.0 5.1 6.0 5.0 6.6 5.3
 [73] 6.4 5.9 5.6 5.8 6.2 6.7 6.0 4.5 4.9 4.7 5.1 6.7 6.0 6.1 6.2 5.7 5.4 5.3 5.6 6.0 5.2 4.3 5.5 5.4 5.5 5.6 4.1 5.4 8.5 7.0 8.0 7.4 8.0 8.7 6.2 8.1
[109] 7.6 8.6 7.1 7.2 7.6 7.0 7.5 7.6 7.3 8.9 9.2 6.5 8.0 6.9 8.7 6.7 7.8 7.8 6.6 6.7 7.7 7.4 8.0 8.4 7.8 6.6 7.0 8.4 8.0 7.3 6.6 7.5 8.0 7.4 7.0 8.2
[145] 8.2 7.5 6.9 7.2 7.7 6.9

这很好，但我原以为rowwise 完成了同样的事情，但事实并非如此，

> select(iris, starts_with('Petal')) %>% rowwise() %>% sum()
[1] 743.6

我特别想做的是选择一组列，并创建一个新变量，每个变量的值都是所选列的每一行的最大值。例如，如果我选择“花瓣”列，最大值将为 1.4、1.4、1.3 等。

我可以这样做：

> select(iris, starts_with('Petal')) %>% apply(1, max)

这很好。但我只是好奇为什么rowwise 方法不起作用。我意识到我错误地使用了rowwise，我只是不确定为什么它是错误的。

Answer 1

简而言之：您希望“sum”函数能够识别dplyr 数据结构，例如按行分组的数据框。 sum 不知道它，所以它只取整个 data.frame 的总和。

这里是一个简短的解释。这个：

select(iris, starts_with('Petal')) %>% rowwise() %>% sum()

可以在不使用管道运算符的情况下重写如下：

data <- select(iris, starts_with('Petal'))
data <- rowwise(data)
sum(data)

如您所见，您正在构建一个名为tibble 的东西。然后rowwise 调用添加有关此对象的附加信息并指定它应该按行分组。

但是，只有 summarize 和 mutate 等知道这种分组的函数才能按预期工作。像 sum 这样的基本 R 函数不知道这些对象，并将它们视为任何标准 data.frames。而sum() 的标准方法是对整个数据框求和。

使用mutate 有效：

select(iris, starts_with('Petal')) %>%
  rowwise() %>%
  mutate(sum = sum(Petal.Width, Petal.Length))

结果：

Source: local data frame [150 x 3]
Groups: <by row>

# A tibble: 150 x 3
   Petal.Length Petal.Width   sum
          <dbl>       <dbl> <dbl>
 1         1.40       0.200  1.60
 2         1.40       0.200  1.60
 3         1.30       0.200  1.50
 ...

Answer 2

问题在于，尽管rowwise，整个数据帧仍以点的形式传递。要处理此问题，请使用 do ，它将 dot 解释为仅表示当前行。另一个问题是do 中的点会将行表示为列表，因此请适当地转换它。

library(dplyr)

iris %>%
  slice(1:6) %>%
  select(starts_with('Petal')) %>% 
  rowwise() %>%
  do( (.) %>% as.data.frame %>% mutate(sum = sum(.)) ) %>%
  ungroup

给予：

# A tibble: 6 x 3
  Petal.Length Petal.Width   sum
*        <dbl>       <dbl> <dbl>
1         1.40       0.200  1.60
2         1.40       0.200  1.60
3         1.30       0.200  1.50
4         1.50       0.200  1.70
5         1.40       0.200  1.60
6         1.70       0.400  2.10

dplyr 1.0 - 稍后添加

既然有人问过这个问题，dplyr 1.0 已经发布，它有cur_data()，可用于简化上述操作，从而无需do。 rowwise 块内的 cur_data() 仅指当前行。

iris %>%
  slice(1:6) %>%
  select(starts_with('Petal')) %>% 
  rowwise() %>%
  mutate(sum = sum(cur_data())) %>%
  ungroup

Answer 3

如果你使用c_across来选择你想要求和的变量，你可以跳过select的使用：

iris %>% 
  rowwise() %>% 
  mutate(sum = sum(c_across(starts_with("Petal"))), .keep = "used") %>% 
  ungroup()

输出

如果您想保留数据框中的所有列，请删除 .keep 参数。

 Petal.Length Petal.Width   sum
          <dbl>       <dbl> <dbl>
 1          1.4         0.2   1.6
 2          1.4         0.2   1.6
 3          1.3         0.2   1.5
 4          1.5         0.2   1.7
 5          1.4         0.2   1.6
 6          1.7         0.4   2.1
 7          1.4         0.3   1.7
 8          1.5         0.2   1.7
 9          1.4         0.2   1.6
10          1.5         0.1   1.6
# ... with 140 more rows

---

同样，max:

iris %>% 
    rowwise() %>% 
    mutate(max = max(c_across(starts_with("Petal"))), .keep = "used") %>% 
    ungroup()