使用dplyr汇总多个列？

我对dplyr语法有点纠结。我有一个包含不同变量和一个分组变量的数据框。现在我想用R中的dplyr计算每组中每列的平均值

df <- data.frame(
    a = sample(1:5, n, replace = TRUE), 
    b = sample(1:5, n, replace = TRUE), 
    c = sample(1:5, n, replace = TRUE), 
    d = sample(1:5, n, replace = TRUE), 
    grp = sample(1:3, n, replace = TRUE)
)
df %>% group_by(grp) %>% summarise(mean(a))

---

您只需将更多参数传递给

摘要

：

df %>% group_by(grp) %>% summarise(mean(a), mean(b), mean(c), mean(d))

来源：本地数据帧[3 x 5]

  grp  mean(a)  mean(b)  mean(c) mean(d)
1   1 2.500000 3.500000 2.000000     3.0
2   2 3.800000 3.200000 3.200000     2.8
3   3 3.666667 3.333333 2.333333     3.0

在

dplyr

（>=1.00）中，您可以使用

summary

中的

cross（everything（）

将函数应用于所有变量：

库（dplyr）
df%>%分组依据（grp）%>%总结（跨越（所有内容（），列表（平均值）））
#>#tibble:3 x 5
#>grp a b c d
#>       
#> 1     1  3.08  2.98  2.98  2.91
#> 2     2  3.03  3.04  2.97  2.87
#> 3     3  2.85  2.95  2.95  3.06

或者，

purrlyr

包提供相同的功能：

库（purrryr）
df%%>%切片行（“grp”）%%>%dmap（平均值）
#>#tibble:3 x 5
#>grp a b c d
#>       
#> 1     1  3.08  2.98  2.98  2.91
#> 2     2  3.03  3.04  2.97  2.87
#> 3     3  2.85  2.95  2.95  3.06

也不要忘记

数据表

（使用

keyby

对组进行排序）：

库（data.table）
setDT（df）[，lappy（.SD，平均值），keyby=grp]
#>grp a b c d
#> 1:   1 3.079412 2.979412 2.979412 2.914706
#> 2:   2 3.029126 3.038835 2.967638 2.873786
#> 3:   3 2.854701 2.948718 2.951567 3.062678

让我们试着比较一下性能

库（dplyr）
图书馆（Purrryr）
库（数据表）
图书馆（长凳）
种子集（123）
n%切片行（“grp”）%%>%dmap（平均值），
data.table=dt[，lappy（.SD，平均值），keyby=grp]，
检查=错误
)
#>#tibble:3 x 6
#>表达式最小中位数`itr/sec`mem_alloc`gc/sec`
#>               
#>1 dplyr 2.81ms 2.85ms 328。NA 17.3
#>2 Purrryr 7.96ms 8.04ms 123。NA 24.5
#>3.数据表596.33µs 707.91µs 1409。NA 10.3

完整性：使用dplyr v0.2

ddply

和

colwise

也可以这样做：

> ddply(df, .(grp), colwise(mean))
  grp        a    b        c        d
1   1 4.333333 4.00 1.000000 2.000000
2   2 2.000000 2.75 2.750000 2.750000
3   3 3.000000 4.00 4.333333 3.666667

但速度较慢，至少在这种情况下是这样：

> microbenchmark(ddply(df, .(grp), colwise(mean)), 
                  df %>% group_by(grp) %>% summarise_each(funs(mean)))
Unit: milliseconds
                                            expr      min       lq     mean
                ddply(df, .(grp), colwise(mean))     3.278002 3.331744 3.533835
 df %>% group_by(grp) %>% summarise_each(funs(mean)) 1.001789 1.031528 1.109337

   median       uq      max neval
 3.353633 3.378089 7.592209   100
 1.121954 1.133428 2.292216   100

---

我们可以在

dplyr 0.7.4

上使用

summary\u、
summary\u all
和
summary\u进行汇总。我们可以使用
vars
和
funs
参数设置多个列和函数，如下代码所示。funs公式的左侧指定给汇总变量的后缀。在
dplyr 0.7.4
中，
summary\u each
（和
mutate\u each
）已被弃用，因此我们无法使用这些函数

选项（scipen=100，dplyr.width=Inf，dplyr.print\u max=Inf）
图书馆（dplyr）
包装版本（“dplyr”）
# [1] ‘0.7.4’
种子集（123）
df%分组依据（grp）%>%
总结每个（.vars=字母[1:4]，
.funs=c（mean=“mean”））
#“summary_each（）”已弃用。
#改为使用'summary_all（）'、'summary_at（）'或'summary_if（）'。
#要在一系列变量上映射funs，请使用summary_at（）`
#错误：字符串必须与列名匹配。未知列：平均值

您应该更改为以下代码。以下代码都具有相同的结果。

#总结#
df%>%分组依据（grp）%>%
总结在（.vars=字母[1:4]，
.funs=c（mean=“mean”））
df%>%分组依据（grp）%>%
在（.vars=名称（.）[1:4]处总结，
.funs=c（mean=“mean”））
df%>%分组依据（grp）%>%
在（.vars=vars（a，b，c，d）处总结，
.funs=c（mean=“mean”））
#总结
df%>%分组依据（grp）%>%
总结所有内容（.funs=c（mean=“mean”））
#总结
df%>%分组依据（grp）%>%
如果（.predicate=函数（x）是.numeric（x），则总结，
.funs=funs（mean=“mean”））
#一个tibble:3x5
#grp a_表示b_表示c_表示d_表示
#         
# 1     1   2.80   3.00    3.6   3.00
# 2     2   4.25   2.75    4.0   3.75
# 3     3   3.00   5.00    1.0   2.00

您还可以具有多个功能。

df%>%分组依据（grp）%>%
总结在（.vars=字母[1:2]，
.funs=c（Mean=“Mean”，Sd=“Sd”））
#一个tibble:3x5
#grp a_表示b_表示a_Sd b_Sd
#              
# 1     1   2.80   3.00 1.4832397 1.870829
# 2     2   4.25   2.75 0.9574271 1.258306
#3 3.00 5.00不适用
所有的例子都很好，但我想我应该再添加一个来说明如何以“整洁”的格式工作来简化事情。现在，数据框是“宽”格式，这意味着变量“a”到“d”在列中表示。要获得“整洁”（或长）格式，可以使用
tidyr
包中的
gather（）
，将列“a”到“d”中的变量转换为行。然后使用
group\u by（）
和
summary（）
函数获得每组的平均值。如果您想以较宽的格式显示数据，只需附加调用
spread（）
函数即可




库（tidyverse）
#创建可复制的df
种子集（101）
df%
聚集（键=变量，值=值，a:d）%>%
分组依据（grp，变量）%>%
汇总（平均值=平均值））%>%
价差（可变、平均）
#>来源：本地数据帧[3 x 5]
#>组别:grp[3]
#> 
#>grp a b c d
#> *              
#> 1     1 3.000000   3.5 3.250000 3.250000
#> 2     2 1.666667   4.0 4.666667 2.666667
#> 3     3 3.333333   3.0 2.333333 2.333333
太棒了！如果列名和计数未知，是否有可能执行这些操作？例如，有3个或6个固定列而不是4个固定列？我认为这是
dplyr
中的一个TODO（比如
plyr
colwise
），请参见此处，了解当前相当棘手的解决方案：非常感谢你们两位！我可能会使用循环来迭代所有列。
dplyr
现在有了
summary\u每个
将对每个列进行操作
dplyr
现在已经用
summary>取代了
summary\u*
> microbenchmark(ddply(df, .(grp), colwise(mean)), 
                  df %>% group_by(grp) %>% summarise_each(funs(mean)))
Unit: milliseconds
                                            expr      min       lq     mean
                ddply(df, .(grp), colwise(mean))     3.278002 3.331744 3.533835
 df %>% group_by(grp) %>% summarise_each(funs(mean)) 1.001789 1.031528 1.109337

   median       uq      max neval
 3.353633 3.378089 7.592209   100
 1.121954 1.133428 2.292216   100

# summarise_at
df %>% group_by(grp) %>% 
  summarise_at(.vars = letters[1:4],
               .funs = c(mean="mean"))

df %>% group_by(grp) %>% 
  summarise_at(.vars = names(.)[1:4],
               .funs = c(mean="mean"))

df %>% group_by(grp) %>% 
  summarise_at(.vars = vars(a,b,c,d),
               .funs = c(mean="mean"))

# summarise_all
df %>% group_by(grp) %>% 
  summarise_all(.funs = c(mean="mean"))

# summarise_if
df %>% group_by(grp) %>% 
  summarise_if(.predicate = function(x) is.numeric(x),
               .funs = funs(mean="mean"))
# A tibble: 3 x 5
# grp a_mean b_mean c_mean d_mean
# <chr>  <dbl>  <dbl>  <dbl>  <dbl>
# 1     1   2.80   3.00    3.6   3.00
# 2     2   4.25   2.75    4.0   3.75
# 3     3   3.00   5.00    1.0   2.00

df %>% group_by(grp) %>% 
  summarise_at(.vars = letters[1:2],
               .funs = c(Mean="mean", Sd="sd"))
# A tibble: 3 x 5
# grp a_Mean b_Mean      a_Sd     b_Sd
# <chr>  <dbl>  <dbl>     <dbl>    <dbl>
# 1     1   2.80   3.00 1.4832397 1.870829
# 2     2   4.25   2.75 0.9574271 1.258306
# 3     3   3.00   5.00        NA       NA