R dplyr -在summarize_at链中使用'count‘函数

Question

这是R中dplyr库中的数据帧starwars。我正在尝试使用dplyr编写聚合表，主要使用group_by_at和summarize_at链。我已经定义了向量dimensionsVec、measuresVec和函数。目标是使用分配给数据帧pivotData的dplyr链中的所有三个向量。

不幸的是，在运行pivotData之后尝试输出数据帧时，count = length参数不起作用。这可能是由于na.rm = TRUE语句造成的。因此，基本上，除了函数中的count = length参数之外，一切都可以正常工作。您可以通过注释掉`函数向量的count = length部分来发现这一点。

有谁能帮我吗？非常感谢你的帮助！

下面的代码片段

library(dplyr)

data <- starwars

dimensionsVec <- c("skin_color", "eye_color")
measuresVec <- c("height", "mass")

functions <- c(count = "length", 
               mean = "mean", 
               sum = "sum", 
               median = "median", 
               max = "max", 
               min = "min")

funsList <- lapply(functions, match.fun)
names(funsList) <- functions

pivotData <- data %>%
  group_by_at(vars(dimensionsVec)) %>%
  summarize_at(vars(measuresVec), funsList, na.rm = TRUE) %>%
  collect()

Answer 1

你只需要小心你要传递的函数。除非可以将na.rm = TRUE参数传递给列表中的所有函数，否则不能将该参数添加到summarize_at。但是，如果您将na.rm = TRUE传递给length，它将抛出一个错误。

一种解决方法是在接受na.rm参数的length周围创建一个包装器：

funsList <- list(count = function(x, na.rm) length(x),
                 mean = mean,
                 sum = sum, 
                 median = median, 
                 max = max, 
                 min = min)

(请注意，您可以直接使用无引号的函数名，而不是将它们全部作为字符串并使用match.fun)

这种方法是可行的，但它揭示了代码中的另一个问题。您要汇总的一些组没有非NA条目，因此您实际上是在对某些组执行min(NA, na.rm = TRUE)。这会导致一个警告，并在结果中返回您可能不想要的Inf而不是NA。同样，你会从mean和median得到一个带有max和NaN的不想要的-Inf。

解决方案是具体说明您希望每个函数在此场景中执行的操作。例如，您可以创建一个小函数，该函数将汇总函数作为参数并返回它们的安娜安全版本：

handle_NA <- function(func) 
{
  function(x) if(all(is.na(x))) NA else func(x, na.rm = TRUE) 
}

这使您可以创建一个安全的funsList，如下所示：

funsList <- list(count = length,
                 mean = handle_NA(mean),
                 sum = handle_NA(sum),
                 median = handle_NA(median), 
                 max = handle_NA(max), 
                 min = handle_NA(min))

data %>%
  group_by(across(all_of(dimensionsVec))) %>%
  summarize(across(all_of(measuresVec), funsList), .groups = "drop")
#> # A tibble: 53 x 14
#>    skin_color eye_color height_count height_mean height_sum height_median
#>    <chr>      <chr>            <int>       <dbl>      <int>         <dbl>
#>  1 blue       blue                 1        196         196          196 
#>  2 blue       hazel                1        178         178          178 
#>  3 blue, grey yellow               2        116.        231          116.
#>  4 brown      blue                 1        234         234          234 
#>  5 brown      brown                2        130.        259          130.
#>  6 brown      yellow               1        198         198          198 
#>  7 brown mot~ orange               1        180         180          180 
#>  8 brown, wh~ green, y~            1        216         216          216 
#>  9 dark       blue                 1        184         184          184 
#> 10 dark       brown                4        183.        733          184 
#> # ... with 43 more rows, and 8 more variables: height_max <int>,
#> #   height_min <int>, mass_count <int>, mass_mean <dbl>, mass_sum <dbl>,
#> #   mass_median <dbl>, mass_max <dbl>, mass_min <dbl>

请注意，限定了作用域的动词summarize_at和group_by_at已被使用across取代，因此我已切换到更现代的语法。