Skip to main content

数据科学中的 R 语言

第 94 章 tidyverse中行方向的操作

dplyr 1.0 推出之后，数据框行方向的操作得到完美解决，因此本章的内容已经过时，大家可以跳出本章，直接阅读第39 章。（留着本章，主要是让自己时常回顾下之前的探索。让自己最难忘的，或许就是曾经的痛点吧）

tidyverse 喜欢数据框，因为一列就是一个向量，一列一列的处理起来很方便。然而我们有时候也要，完成行方向的操作，所以有必要介绍tidyverse中行方向的处理机制。

94.1 问题 

df <- tibble(x = 1:3, y = 4:6)
df

对每行的求和、求均值、最小值或者最大值？

94.2 rowwise函数

dplyr提供了rowwise()函数

df %>%
  rowwise() %>%
  mutate(i = sum(x, y))
df %>%
  rowwise() %>%
  mutate(i = mean(c(x, y)))
df %>%
  rowwise() %>%
  mutate(
    min = min(x, y),
    max = max(x, y)
  )
df %>%
  rowwise() %>%
  do(i = mean(c(.$x, .$y))) %>%
  unnest(i)

94.3 Row-wise Summaries 

df %>% mutate(row_sum = rowSums(.[1:2]))
df %>% mutate(row_mean = rowMeans(.[1:2]))
df %>% mutate(t_sum = rowSums(select_if(., is.numeric)))

固然可解决问题， 然而，却不是一个很好的办法，比如除了求和与计算均值，可能还要计算每行的中位数、方差等等， 因为，不是每种计算都对应的row_函数？ 既然是tidyverse ，还是用tidyverse 的方法解决

94.4 purrr::map方案

按照Jenny Bryan的方案

df %>% mutate(t_sum = pmap_dbl(list(x, y), sum))
df %>%
  mutate(t_sum = pmap_dbl(select_if(., is.numeric), sum))

计算均值的时候， 然而报错了

df %>% mutate(t_sum = pmap_dbl(select_if(., is.numeric), mean))

tidyverse 总会想出办法来解决，把mean() 变成 lift_vd(mean)

df %>%
  mutate(data = pmap_dbl(select_if(., is.numeric), lift_vd(mean)))

同理

df %>% mutate(t_median = pmap_dbl(select_if(., is.numeric), lift_vd(median)))
df %>% mutate(t_sd = pmap_dbl(select_if(., is.numeric), lift_vd(sd)))

94.5 tidy 的方案

我个人推荐的方法(Gather, group, summarize, left_join)

new_df <- df %>%
  mutate(id = row_number())

s <- new_df %>%
  gather("time", "val", -id) %>%
  group_by(id) %>%
  summarize(
    t_avg = mean(val),
    t_sum = sum(val)
  )

s
new_df %>%
  left_join(s)

有点繁琐，但思路清晰

ss <- new_df %>%
  group_by(id) %>%
  summarise(t_avg = mean(c(x, y)))

ss
new_df %>%
  left_join(ss)

之所以有这么多的搞法，是因为没有一个很好的搞法

94.6 用slide方案

slide很强大，可以滚动喔

  • 如果第一个参数是数据框，slide把数据框看作a vector of rows， 然后行方向的滚动，事实上， .x是一个个的小数据框（如下）
  • 与purrr::map不同，因为map把数据框看作列方向的向量， 然后迭代
  • 如果第一个参数是原子型向量的话，还是依次迭代逗号分隔的元素，只不过这里是slide比map更强大的是，还可以是滚动
library(slider)

df <- tibble(a = 1:3, b = 4:6)

slide(
  select_if(df, is.numeric),
  ~.x,
  .before = 1
)
df %>%
  mutate(
    r_mean = slide_dbl(
      select_if(df, is.numeric),
      ~ mean(unlist(.x)),
      .before = 1
    )
  )

94.7 rowwise() + c_across() 

df <- tibble(id = 1:6, w = 10:15, x = 20:25, y = 30:35, z = 40:45)
df

df %>%
  rowwise(id) %>%
  summarise(mean = mean(c(w, x, y, z)))

df %>%
  rowwise(id) %>%
  mutate(mean = mean(c(w, x, y, z)))

df %>%
  rowwise(id) %>%
  mutate(total = mean(c_across(w:z)))

df %>%
  rowwise(id) %>%
  mutate(mean = mean(c_across(is.numeric)))

# across()
df %>% mutate(mean = rowMeans(across(is.numeric & -id)))

94.8 用lay方案

lay包解决方案

library(lay)
library(dplyr, warn.conflicts = FALSE)

iris <- as_tibble(iris)

# apply mean to each "row"
iris %>%
  mutate(sepal = lay(across(starts_with("Sepal")), mean))