在summarize()中使用变量作为参数

Question

我希望将用户输入变量传递给group_by()和summarize()函数。

数据帧和代码的直接示例如下所示。这里我对列名进行了“硬编码”。

library(dplyr)
df <- data.frame('Category' = c('a','c','a','a','b','a','b','b'), 
             'Amt' = c(100,300,200,400,500,1000,350,250), 
             'Flag' = c(0,1,1,1,0,1,1,0))
rowCount <- nrow(df)
totalAmt <- sum(df$Amt)
g <- group_by(df, Category)
summ <- summarize(g, Count = n(), CountPercentage = n()*100/rowCount, TotalAmt = sum(Amt), AmtPercentage = sum(Amt)*100/totalAmt, FlagSum = sum(Flag))
summ

输出如下所示

​

​

在我正在开发的应用程序中，数据帧和列名将是用户定义的。我将读取.csv文件中的文件名、要分组的列和要汇总的列。

我进行了广泛的搜索，在花费了大量的时间阅读和实验之后，我找到了下面所示的解决方案，它对我来说是有效的。我没有使用管道来使步骤更清晰。

#The data frame df is read from the .csv file name
#Variables read from the Excel file
groupby <- 'Category'
sumBy1 <- 'Amt'
sumBy2 <- 'Flag'

rowCount <- nrow(df)
totalAmt <- sum(df[sumBy1])

g <- group_by_(df, groupby) #group by variable  #grouping

summcount <- summarize(g, Count = n(), CountPercentage = n()*100/rowCount) #summarize counts  #piece 1

summamt <- summarize_at(g, .vars = sumBy1, .funs=sum) #summarize by first variable
summamt <- summamt[-1] #remove first column to remove duplicate column
summamt$AmtPercentage <- summamt[sumBy1]*100/totalAmt  #piece 2

summflag <- summarize_at(g, .vars = sumBy2, .funs=sum) #summarize by second variable
summflag <- summflag[-1] #remove first column to remove duplicate column #piece 3

summ <- cbind(summcount, summamt, summflag)  #combine dataframes
summ

结果和上面的一样。正如您所看到的，我正在逐个创建最终的数据帧，然后绑定它们。代码很难看。另外，如何在此语法中定义列标题？我确实考虑过summarize_all()，但这需要创建数据帧的子集。我已经阅读了以下问题，它们对我不起作用

Passing arguments to dplyr summarize function

Summarizing data in table by group for each variable in r

你能推荐一种更简单、更优雅的方法吗？

上面我已经“硬编码”了两种类型的摘要，即。计数和求和。为了增加另一个级别的复杂性，如果用户还想定义摘要的类型(即，和、均值、计数等)必需的？在Excel文件中，我可以捕获针对每个变量所需的汇总类型。

谢谢你的建议。

Answer 1

这听起来像是超人的工作！或者至少是准引语。

您希望使用!!操作符插入变量。

你可以这样做

# Make a variable symbol from strings
make_var <- function(prefix, var, suffix) 
    as.symbol(paste0(prefix, var, suffix))
calc_summary <- function(df, groupby, sumBy1, sumBy2) {
    totalSumBy1      <- make_var("Total", sumBy1, "")
    sumBy1Percentage <- make_var("", sumBy1, "Percentage")
    sumBy1           <- make_var("", sumBy1, "")
    sumBy2Sum        <- make_var("", sumBy2, "Sum")
    sumBy2           <- make_var("", sumBy2, "")

    group_by_(df, groupby) %>%
        summarize(Count = n(), 
                  CountPercentage = n()*100/rowCount,
                  !!totalSumBy1 := sum(!!sumBy1),
                  !!sumBy2Sum := sum(!!sumBy2)) %>%
        mutate(CountPercentage = Count/sum(Count),
               !!sumBy1Percentage := 100 * !!totalSumBy1 / sum(!!totalSumBy1)) 
}

当您使用!!时，您插入的是一个变量的值，所以这就是您可以参数化给定给dplyr函数的表达式的方式。您需要它们作为符号，这就是我使用make_var函数的原因。它可以更优雅地完成，但这将给出您在示例中使用的变量。

注意，当我们赋值的变量是动态的时，我们必须使用:=赋值而不是=赋值。否则，解析器会报错。

您可以按如下方式使用此函数：

> df %>% calc_summary("Category", "Amt", "Flag")
# A tibble: 3 x 6
  Category Count CountPercentage TotalAmt FlagSum AmtPercentage
  <fct>    <int>           <dbl>    <dbl>   <dbl>         <dbl>
1 a            4           0.500    1700.      3.         54.8 
2 b            3           0.375    1100.      1.         35.5 
3 c            1           0.125     300.      1.          9.68

列的顺序与示例中的不同，但您可以使用select解决这个问题。我通过在总结之后将百分比计算移动到mutate中，对百分比计算进行了一些清理。它不再需要rowCount变量。如果您愿意，可以很容易地使用该变量并避免mutate调用。然后，您还可以在summarise调用中按您想要的顺序获取列。

无论如何，重要的一点是，您需要在这里使用bang-bang运算符。