Урок 6 dplyr 1.1.0: аргумент .by, join_by(), reframe()

6.1 Описание

Этот уорк посвящён релизу dplyr 1.1.0, в котором были следующие изменения:

1. Добавлен аргумент .by, который являеться альтернативным способом группировки данных.
2. Добавлена вспомогательная функция join_by(), которая позволяет реализовывать неравные соединения таблиц.
3. Ускорена функция arrange()
4. Добавлена новая функция `reframe()``

В основе урока лежит статья “dplyr 1.1.0 is coming soon”.

6.2 Видео

6.3 Код

# update to current dev version
pak::pak("tidyverse/dplyr")

# lib
library(dplyr)
library(clock)

# random seed
set.seed(12345)

# Временная группировка с помощью .by

## тестовый набор данных
expenses <- tibble(
  id = c(1, 2, 1, 3, 1, 2, 3),
  region = c("A", "A", "A", "B", "B", "A", "A"),
  cost = c(25, 20, 19, 12, 9, 6, 6)
)
expenses

## предыдущий вариант написания агрегации
expenses |>
  group_by(region) |> 
  summarise(cost = mean(cost))

## теперь можно использовать аргумент .by
expenses |>
  summarise(cost = mean(cost), .by = region)

## группировка по нескольким столбцам
expenses |>
  group_by(id, region) |>
  summarise(cost = mean(cost))

expenses |>
  summarise(cost = mean(cost), .by = c(id, region))

## другие глаголы
expenses |>
  mutate(mean = mean(cost), .by = region)

expenses |>
  slice(2, .by = region)

# Улучшенный join
## гибкое соединение с помощью join_by
join_by(x_id == y_id, region)

df1 <- tibble(x_id = c(1, 2, 2), region = c("A", "B", "A"), x = c(5, 10, 4))
df2 <- tibble(y_id = c(2, 1, 2), region = c("A", "A", "C"), y = c(12, 8, 7))

df1 |>
  left_join(df2, join_by(x_id == y_id, region))

## неравные соединения
## список вечеринок
parties <- tibble(
  q = 1:4,
  party = date_parse(c("2022-01-10", "2022-04-04", "2022-07-11", "2022-10-03"))
)

parties

## список сотрудников с днями рождения
employees <- tibble(
  name = wakefield::name(100),
  birthday = date_parse("2022-01-01") + (sample(365, 100, replace = TRUE) - 1)
)

employees

## теперь по каждому сотруднику возьмём список вечеринок
## которые проводились до его дня рождения
employees |>
  left_join(parties, join_by(birthday >= party))

## скользящее соединение
## теперь используем скользящее соединение
## для того, что бы оставить только самую ближайшую
## после дня рождения вечеринку
closest <- employees |>
  left_join(parties, join_by(closest(birthday >= party)))

## один сотрудник остался без вечеринки
## поскольку дата рождения у него выпадает
## раньше, чем стартует первая вечеринка в году
filter(closest, is.na(party))

## укажем начально и конец квартала для каждой вечеринки
quarter_start <- function(x) {
  x <- as_year_quarter_day(x)
  x <- calendar_start(x, "quarter")
  as_date(x)
}
quarter_end <- function(x) {
  x <- as_year_quarter_day(x)
  x <- calendar_end(x, "quarter")
  as.Date(x)
}

parties <- parties |>
  mutate(start = quarter_start(party), end = quarter_end(party))

parties

## мы получили 4 непересекающихся временных диапазона
## мы знаем что каждый день рождения, одновременно может
## пренадлежать только одному диапазону
## для проверки этого условия добавим аргумент multiple = 'error'
## соединять таблицы будем с помощью between
## день рождения должен быть между началом и концом квартала
employees |>
  left_join(
    parties, 
    join_by(between(birthday, start, end)),
    multiple = "error"
  )

# Новая функция reframe
table <- c("a", "b", "d", "f")

df <- tibble(
  g = c(1, 1, 1, 2, 2, 2, 2),
  x = c("e", "a", "b", "c", "f", "d", "a")
)

## было
df |>
  summarise(x = intersect(x, table), .by = g)

## стало
df |>
  reframe(x = intersect(x, table), .by = g)

6.4 Упражнения

Упражнения будут добалвены в ближайшее время.