当组不是NA时的汇总统计信息

Question

我想计算第1组、第2组和第3组的重量和高度汇总统计数据(平均，范围)。我特别想通过计算当第1组不为NA (对于calc组1)时计算汇总统计量来实现这一点，而对于第2组，当列不是NA时，我想要通过计算汇总统计量来实现这一点。

在下面的例子中，第1组的权重为3,2，第2组的权重为3,5。

dt <- tibble(
  group1 = c(1, 1, NA, NA, NA, NA),
  group2 = c(NA, NA, 2, 2, NA, NA),
  group3 = c(NA, NA, NA, NA, 3, 3),
  weight = c(3, 2, 3, 5, NA, 7),
  height = c(10, NA, 14, 15, 11, 20)
)

Answer 1

你可以试试

library(dplyr)
library(tidyr)

dt %>% 
  group_by(group = coalesce(group1, group2, group3)) %>% 
  summarize(
    mean_weight = mean(weight, na.rm = TRUE),
    mean_height = mean(height, na.rm = TRUE)
    )

回传

# A tibble: 3 x 3
  group mean_weight mean_height
  <dbl>       <dbl>       <dbl>
1     1         2.5        10  
2     2         4          14.5
3     3         7          15.5

如果每一行有多个组，则可以使用

dt %>% 
  pivot_longer(
    starts_with("group"),
    values_drop_na = TRUE,
    values_to = "group"
    ) %>%
  group_by(group) %>% 
  summarize(
    mean_weight = mean(weight, na.rm = TRUE),
    mean_height = mean(height, na.rm = TRUE)
  )

它的返回基本相同。

# A tibble: 3 x 3
  group mean_weight mean_height
  <dbl>       <dbl>       <dbl>
1     1         2.5        10  
2     2         4          14.5
3     3         7          15.5

这是怎么回事？

1. 首先我们使用pivot_longer将数据转换成“长”格式。我们以"group“(starts_with("group"))开头的每一列。这些列名进入新列name (默认名称，您可以用names_to = "YourNewColumnNameHere"更改它)。使用group将这些值放入新列values_to = "group"中。如果不使用此参数，则默认情况下值存储在列value中。values_drop_na = TRUE负责处理每个包含NA值的单元格。这些都被移除了。因此，在使用pivot_longer之后，转换后的数据看起来像

# A tibble: 6 x 4
  weight height name   group
   <dbl>  <dbl> <chr>  <dbl>
1      3     10 group1     1
2      2     NA group1     1
3      3     14 group2     2
4      5     15 group2     2
5     NA     11 group3     3
6      7     20 group3     3

因此，下一个转换将应用于每个独立的组，不影响每个other.

• summarize，接受分组并计算每个组的新列。所有其他列都会被删除。na.rm = TRUE参数mean()负责处理NA值:这些值被忽略。如果没有这个参数，组NA.

的mean_weight将是3

编辑

由于akrun注释，可以将其推广到多个列，而无需使用大爆炸运算符进行整形：

dt %>% 
  group_by(group = coalesce(!!! select(., starts_with('group')))) %>% 
  summarise(across(c(weight, height), mean, na.rm = TRUE))

akrun使用了一种更高级的方法：

statement.

• coalesce()的核心是

1. ，它是一个用于按照参数顺序获得第一个非NA-element的函数。例如：coalesce(NA_real_, 1, 2)返回1，因为这是第一个非NA-value。由于coalesce()是向量化的，所以coalesce(group1, group2, group3)和组列只包含一行

中的一个值。

dt %>% 
  group_by(group = coalesce(group1, group2, group3))

返回一个已经分组的tibble。

# A tibble: 6 x 6
# Groups:   group [3]
  group1 group2 group3 weight height group
   <dbl>  <dbl>  <dbl>  <dbl>  <dbl> <dbl>
1      1     NA     NA      3     10     1
2      1     NA     NA      2     NA     1
3     NA      2     NA      3     14     2
4     NA      2     NA      5     15     2
5     NA     NA      3     NA     11     3
6     NA     NA      3      7     20     3

如果有许多/多个列名为

1. ，我们不想输入coalesce(group1, ... , group100)。所以我们使用一个函数，它选择所有的列。在这里，!!! select(., starts_with('group'))是最好的方法:将data.frame的每一列以"group“开头。不幸的是，select返回一个data.frame (这是向量列表的一个特殊版本)。我们需要为coalesce提供多个向量作为参数。向量列表无法完成任务：

dt %>% 
  group_by(group = coalesce(select(., starts_with('group')))) 

返回

# Groups:   group [3]
  group1 group2 group3 weight height group$group1 $group2 $group3
   <dbl>  <dbl>  <dbl>  <dbl>  <dbl>        <dbl>   <dbl>   <dbl>
1      1     NA     NA      3     10            1      NA      NA
2      1     NA     NA      2     NA            1      NA      NA
3     NA      2     NA      3     14           NA       2      NA
4     NA      2     NA      5     15           NA       2      NA
5     NA     NA      3     NA     11           NA      NA       3
6     NA     NA      3      7     20           NA      NA       3

这不是我们要找的。大爆炸算符!!!将这个向量列表分割成多个向量，这些向量作为参数提供给coalesce。所以

dt %>% 
  group_by(group = coalesce(!!! select(., starts_with('group')))) 

返回

# A tibble: 6 x 6
# Groups:   group [3]
  group1 group2 group3 weight height group
   <dbl>  <dbl>  <dbl>  <dbl>  <dbl> <dbl>
1      1     NA     NA      3     10     1
2      1     NA     NA      2     NA     1
3     NA      2     NA      3     14     2
4     NA      2     NA      5     15     2
5     NA     NA      3     NA     11     3
6     NA     NA      3      7     20     3

1. ，所以现在我们有了一个分组Dataa.Frame/tibble，我们可以应用summarise函数：summarise(across(c(weight, height), mean, na.rm = TRUE))。across()告诉summarise将带参数na.rm = TRUE的函数mean应用于列weight和height。这是

的一个更优雅的版本

summarize(
    mean_weight = mean(weight, na.rm = TRUE),
    mean_height = mean(height, na.rm = TRUE)
    )

如果没有重命名(这也可以用across完成)。

Answer 2

带有data.table的选项

library(data.table)
setDT(dt)[, lapply(.SD, mean, na.rm = TRUE),
        .(group = fcoalesce(group1, group2, group3)),
        .SDcols = c('weight', 'height')]
   group weight height
1:     1    2.5   10.0
2:     2    4.0   14.5
3:     3    7.0   15.5

Answer 3

您可以为每个组查找汇总统计信息，然后将NA过滤掉。以group1为例。

dt %>%
  group_by(group1) %>%
  summarise(mean_weight = mean(weight, na.rm=T),
            mean_height = mean(height, na.rm=T),
            .groups = 'drop') %>%
  filter(!(is.na(group1)))