是否使用dplyr向分组数据添加行？

我的数据采用data.frame格式，如以下示例数据：

data <- 
structure(list(Article = structure(c(1L, 1L, 3L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 1L
), .Label = c("10004", "10006", "10007"), class = "factor"), 
Demand = c(26L, 780L, 2L, 181L, 228L, 214L, 219L, 291L, 104L, 
72L, 155L, 237L, 182L, 148L, 52L, 227L, 2L, 355L, 2L, 432L, 
1L, 156L), Week = c("2013-W01", "2013-W01", "2013-W01", "2013-W01", 
"2013-W01", "2013-W02", "2013-W02", "2013-W02", "2013-W02", 
"2013-W02", "2013-W03", "2013-W03", "2013-W03", "2013-W03", 
"2013-W03", "2013-W04", "2013-W04", "2013-W04", "2013-W04", 
"2013-W04", "2013-W04", "2013-W04")), .Names = c("Article", 
"Demand", "Week"), class = "data.frame", row.names = c(NA, -22L))

我试过了

WeekSums %>%
  group_by(Article) %>%
  if(n()< 4) rep(rbind(c(Article,NA,NA)), 4 - n() )

WeekSums%>%
按（物品）分组%>%
if（n（）<4）rep（rbind（c（Article，NA，NA）），4-n（）

---

但这不起作用。在我最初的方法中，我通过为每篇文章将第1-4周的数据帧与我的rawdata文件合并来解决这个问题。这样，我每篇文章有4周（行），但使用for循环的实现效率非常低，因此我尝试使用dplyr（或任何其他更高效的包/函数）也这样做。任何建议都将不胜感激

没有dplyr，可以这样做：

  Article     Week WeekDemand
1   10004 2013-W01       1215
2   10004 2013-W02        900
3   10004 2013-W03        774
4   10004 2013-W04       1170
5   10006 2013-W01        0
6   10006 2013-W02        0
7   10006 2013-W03        0
8   10006 2013-W04         5
9   10007 2013-W01         2
10   10007 2013-W02        0
11   10007 2013-W03        0
12   10007 2013-W04        0

as.data.frame(xtabs(Demand ~ Week + Article, data))

data %>% xtabs(formula = Demand ~ Week + Article) %>% as.data.frame()

给予：

       Week Article Freq
1  2013-W01   10004 1215
2  2013-W02   10004  900
3  2013-W03   10004  774
4  2013-W04   10004 1170
5  2013-W01   10006    0
6  2013-W02   10006    0
7  2013-W03   10006    0
8  2013-W04   10006    5
9  2013-W01   10007    2
10 2013-W02   10007    0
11 2013-W03   10007    0
12 2013-W04   10007    0

这可以重写为magrittr或dplyr管道，如下所示：

  Article     Week WeekDemand
1   10004 2013-W01       1215
2   10004 2013-W02        900
3   10004 2013-W03        774
4   10004 2013-W04       1170
5   10006 2013-W01        0
6   10006 2013-W02        0
7   10006 2013-W03        0
8   10006 2013-W04         5
9   10007 2013-W01         2
10   10007 2013-W02        0
11   10007 2013-W03        0
12   10007 2013-W04        0

as.data.frame(xtabs(Demand ~ Week + Article, data))

data %>% xtabs(formula = Demand ~ Week + Article) %>% as.data.frame()

---

如果需要广泛形式的解决方案，可以省略结尾处的

as.data.frame（）

。

我想我会提供一个

dplyr

式的解决方案

• 使用

  expand.grid（）

  生成要查找的成对组合
• 使用

  left\u join（）

  加入需求数据（用NAs填充其余数据）

解决方案：

---

full\u data对于这种情况，您还可以使用
dcast
和
melt

   library(dplyr)
   library(reshape2)
   data %>%
      dcast(Article ~ Week, value.var = "Demand", fun.aggregate = sum) %>%
      melt(id = "Article") %>%
      arrange(Article, variable)

由于
dplyr
正在积极开发中，我想我会发布一个更新，其中也包含
tidyr
：

library(dplyr)
library(tidyr)

data %>%
  expand(Article, Week) %>%
  left_join(data) %>%
  group_by(Article, Week) %>%
  summarise(WeekDemand = sum(Demand, na.rm=TRUE))

产生：

   Article     Week WeekDemand
1    10004 2013-W01       1215
2    10004 2013-W02        900
3    10004 2013-W03        774
4    10004 2013-W04       1170
5    10006 2013-W01          0
6    10006 2013-W02          0
7    10006 2013-W03          0
8    10006 2013-W04          5
9    10007 2013-W01          2
10   10007 2013-W02          0
11   10007 2013-W03          0
12   10007 2013-W04          0


使用tidyr>=0.3.1，现在可以写成：

data %>% 
  complete(Article, Week) %>%  
  group_by(Article, Week) %>% 
  summarise(Demand = sum(Demand, na.rm = TRUE))

xtabs
使用指定的公式创建一个类为
“table”
的对象，其维度为右侧变量，单元格为左侧变量之和，如果单元格为空，则为零
as.data.frame
应用于表格时，会将其重塑为长格式。感谢您演示解决此问题的另一种方法！我必须承认我喜欢
xtabs
解决方案的简单性，但这也会产生期望的结果（+1）
   Article     Week WeekDemand
1    10004 2013-W01       1215
2    10004 2013-W02        900
3    10004 2013-W03        774
4    10004 2013-W04       1170
5    10006 2013-W01          0
6    10006 2013-W02          0
7    10006 2013-W03          0
8    10006 2013-W04          5
9    10007 2013-W01          2
10   10007 2013-W02          0
11   10007 2013-W03          0
12   10007 2013-W04          0

data %>% 
  complete(Article, Week) %>%  
  group_by(Article, Week) %>% 
  summarise(Demand = sum(Demand, na.rm = TRUE))