如何使用dplyr变异多个变量？
给定一个包含多个变量（即Var.50、Var.100、Var.150和Var.200）的如何使用dplyr变异多个变量？,r,dplyr,tidyverse,R,Dplyr,Tidyverse,给定一个包含多个变量（即Var.50、Var.100、Var.150和Var.200）的tbl_df对象df，测量两次（即P1和P2），我想从重复测量中变异出一组新的相同变量（例如，平均P1和P2，为每个对应变量创建P3） 以前有人问过，但似乎没有 示例数据： df <- structure(list(P1.Var.50 = c(134.242050170898, 52.375, 177.126017252604 ), P1.Var.100 = c(395.202219645182, 16
tbl_dfdf从重复测量中变异出一组新的相同变量（例如，平均P1和P2，为每个对应变量创建P3）
以前有人问过，但似乎没有
示例数据：
df <- structure(list(P1.Var.50 = c(134.242050170898, 52.375, 177.126017252604
), P1.Var.100 = c(395.202219645182, 161.636606852214, 538.408426920573
), P1.Var.150 = c(544.40028889974, 266.439168294271, 718.998555501302
), P1.Var.200 = c(620.076151529948, 333.218780517578, 837.109700520833
), P2.Var.50 = c(106.133892059326, 113.252154032389, 172.384114583333
), P2.Var.100 = c(355.226725260417, 277.197153727214, 502.086781819661
), P2.Var.150 = c(481.993103027344, 329.575764973958, 709.315409342448
), P2.Var.200 = c(541.859161376953, 372.05473836263, 829.299621582031
)), class = c("tbl_df", "tbl", "data.frame"), row.names = c(NA,
-3L), .Names = c("P1.Var.50", "P1.Var.100", "P1.Var.150", "P1.Var.200",
"P2.Var.50", "P2.Var.100", "P2.Var.150", "P2.Var.200"))
df使用dplyr
：
library(dplyr)
df1 <- df %>%
rowwise() %>%
mutate(P3.Var.50 = mean(c(P1.Var.50,P2.Var.50)),
P3.Var.100 = mean(c(P1.Var.100,P2.Var.100)),
P3.Var.150 = mean(c(P1.Var.150,P2.Var.150)),
P3.Var.200 = mean(c(P1.Var.200,P2.Var.200)))
库（dplyr）
df1%
行（）
突变（P3.Var.50=平均值（c（P1.Var.50，P2.Var.50）），
P3.Var.100=平均值（c（P1.Var.100，P2.Var.100）），
P3.Var.150=平均值（c（P1.Var.150，P2.Var.150）），
P3.Var.200=平均值（c（P1.Var.200，P2.Var.200）））
------------以编程方式-----------------
newcols <- sapply(seq(50,200,50), function(i) paste0("P3.Var.",i))
[1] "P3.Var.50" "P3.Var.100" "P3.Var.150" "P3.Var.200"
df1 <- df %>%
rowwise() %>%
mutate_(.dots = setNames(paste0("mean(c(",gsub("P3","P1",newcols),",",gsub("P3","P2",newcols),"))"), newcols))
newcols%
突变（点=集合名（粘贴0（“平均值（c）”，gsub（“P3”，“P1”，newcols），”，“，gsub（“P3”，“P2”，newcols），”），newcols））
使用dplyr
：
library(dplyr)
df1 <- df %>%
rowwise() %>%
mutate(P3.Var.50 = mean(c(P1.Var.50,P2.Var.50)),
P3.Var.100 = mean(c(P1.Var.100,P2.Var.100)),
P3.Var.150 = mean(c(P1.Var.150,P2.Var.150)),
P3.Var.200 = mean(c(P1.Var.200,P2.Var.200)))
库（dplyr）
df1%
行（）
突变（P3.Var.50=平均值（c（P1.Var.50，P2.Var.50）），
P3.Var.100=平均值（c（P1.Var.100，P2.Var.100）），
P3.Var.150=平均值（c（P1.Var.150，P2.Var.150）），
P3.Var.200=平均值（c（P1.Var.200，P2.Var.200）））
------------以编程方式-----------------
newcols <- sapply(seq(50,200,50), function(i) paste0("P3.Var.",i))
[1] "P3.Var.50" "P3.Var.100" "P3.Var.150" "P3.Var.200"
df1 <- df %>%
rowwise() %>%
mutate_(.dots = setNames(paste0("mean(c(",gsub("P3","P1",newcols),",",gsub("P3","P2",newcols),"))"), newcols))
newcols%
突变（点=集合名（粘贴0（“平均值（c）”，gsub（“P3”，“P1”，newcols），”，“，gsub（“P3”，“P2”，newcols），”），newcols））
这里有一个通过收集方法的选项
library(tidyverse)
rownames_to_column(df, 'rn') %>%
gather( key, value, -rn) %>%
separate(key, into = c('key1', 'key2'), extra = 'merge', remove = FALSE) %>%
group_by(rn, key2) %>%
summarise(key3 = 'P3', value = mean(value)) %>%
unite(key, key3, key2) %>%
spread(key, value) %>%
ungroup() %>%
select(-rn) %>%
select(order(as.numeric(sub(".*\\.(\\d+)$", "\\1", names(.))))) %>%
bind_cols(df, .)
# A tibble: 3 x 12
# P1.Var.50 P1.Var.100 P1.Var.150 P1.Var.200 P2.Var.50 P2.Var.100 P2.Var.150 P2.Var.200 P3_Var.50 P3_Var.100 P3_Var.150 P3_Var.200
# <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 134.2421 395.2022 544.4003 620.0762 106.1339 355.2267 481.9931 541.8592 120.18797 375.2145 513.1967 580.9677
#2 52.3750 161.6366 266.4392 333.2188 113.2522 277.1972 329.5758 372.0547 82.81358 219.4169 298.0075 352.6368
#3 177.1260 538.4084 718.9986 837.1097 172.3841 502.0868 709.3154 829.2996 174.75507 520.2476 714.1570 833.2047
库（tidyverse）
行名称到列（df，'rn'）%>%
聚集（键，值，-rn）%%>%
separate（key，into=c（'key1'，'key2'），extra='merge'，remove=FALSE）%>%
分组依据（rn，键2）%>%
总结（键3=P3'，值=平均值（值））%>%
联合（键，键3，键2）%>%
排列（键，值）%>%
解组（）%>%
选择（-rn）%>%
选择（顺序为.numeric（sub（“.\\\.（\\d+）$”，“\\1”，名称（.щщ））%>%
绑定cols（df，.）
#一个tibble:3x12
#P1.Var.50 P1.Var.100 P1.Var.150 P1.Var.200 P2.Var.50 P2.Var.100 P2.Var.150 P2.Var.200 P3_Var.50 P3_Var.100 P3_Var.150 P3_Var.200
#
#1 134.2421 395.2022 544.4003 620.0762 106.1339 355.2267 481.9931 541.8592 120.18797 375.2145 513.1967 580.9677
#2 52.3750 161.6366 266.4392 333.2188 113.2522 277.1972 329.5758 372.0547 82.81358 219.4169 298.0075 352.6368
#3 177.1260 538.4084 718.9986 837.1097 172.3841 502.0868 709.3154 829.2996 174.75507 520.2476 714.1570 833.2047
这里有一个通过收集方法的选项
library(tidyverse)
rownames_to_column(df, 'rn') %>%
gather( key, value, -rn) %>%
separate(key, into = c('key1', 'key2'), extra = 'merge', remove = FALSE) %>%
group_by(rn, key2) %>%
summarise(key3 = 'P3', value = mean(value)) %>%
unite(key, key3, key2) %>%
spread(key, value) %>%
ungroup() %>%
select(-rn) %>%
select(order(as.numeric(sub(".*\\.(\\d+)$", "\\1", names(.))))) %>%
bind_cols(df, .)
# A tibble: 3 x 12
# P1.Var.50 P1.Var.100 P1.Var.150 P1.Var.200 P2.Var.50 P2.Var.100 P2.Var.150 P2.Var.200 P3_Var.50 P3_Var.100 P3_Var.150 P3_Var.200
# <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 134.2421 395.2022 544.4003 620.0762 106.1339 355.2267 481.9931 541.8592 120.18797 375.2145 513.1967 580.9677
#2 52.3750 161.6366 266.4392 333.2188 113.2522 277.1972 329.5758 372.0547 82.81358 219.4169 298.0075 352.6368
#3 177.1260 538.4084 718.9986 837.1097 172.3841 502.0868 709.3154 829.2996 174.75507 520.2476 714.1570 833.2047
库（tidyverse）
行名称到列（df，'rn'）%>%
聚集（键，值，-rn）%%>%
separate（key，into=c（'key1'，'key2'），extra='merge'，remove=FALSE）%>%
分组依据（rn，键2）%>%
总结（键3=P3'，值=平均值（值））%>%
联合（键，键3，键2）%>%
排列（键，值）%>%
解组（）%>%
选择（-rn）%>%
选择（顺序为.numeric（sub（“.\\\.（\\d+）$”，“\\1”，名称（.щщ））%>%
绑定cols（df，.）
#一个tibble:3x12
#P1.Var.50 P1.Var.100 P1.Var.150 P1.Var.200 P2.Var.50 P2.Var.100 P2.Var.150 P2.Var.200 P3_Var.50 P3_Var.100 P3_Var.150 P3_Var.200
#
#1 134.2421 395.2022 544.4003 620.0762 106.1339 355.2267 481.9931 541.8592 120.18797 375.2145 513.1967 580.9677
#2 52.3750 161.6366 266.4392 333.2188 113.2522 277.1972 329.5758 372.0547 82.81358 219.4169 298.0075 352.6368
#3 177.1260 538.4084 718.9986 837.1097 172.3841 502.0868 709.3154 829.2996 174.75507 520.2476 714.1570 833.2047
这比Akrun的解决方案不那么通用，但是如果您没有缺少列，并且您知道您的类别p和VAR，那么它应该更快（也更短）
它仅使用基础R+管道：
np = 2
vars <- seq(50,200,by = 50)
df %>%
unlist %>%
matrix(ncol=np) %>%
cbind(rowMeans(.)) %>%
matrix(nrow=nrow(df)) %>%
`colnames<-`(c(names(df),paste0("P",np+1,".Var.",vars))) %>%
as.data.frame(stringsAsFactors=FALSE)
# P1.Var.50 P1.Var.100 P1.Var.150 P1.Var.200 P2.Var.50 P2.Var.100 P2.Var.150 P2.Var.200 P3.Var.50 P3.Var.100 P3.Var.150 P3.Var.200
# 1 134.2421 395.2022 544.4003 620.0762 106.1339 355.2267 481.9931 541.8592 120.18797 375.2145 513.1967 580.9677
# 2 52.3750 161.6366 266.4392 333.2188 113.2522 277.1972 329.5758 372.0547 82.81358 219.4169 298.0075 352.6368
# 3 177.1260 538.4084 718.9986 837.1097 172.3841 502.0868 709.3154 829.2996 174.75507 520.2476 714.1570 833.2047
np=2
变量%
未列出%>%
基质（ncol=np）%>%
cbind（rowMeans（%）%%>%
矩阵（nrow=nrow（df））%>%
`colnames%
as.data.frame（stringsAsFactors=FALSE）
#P1.Var.50 P1.Var.100 P1.Var.150 P1.Var.200 P2.Var.50 P2.Var.100 P2.Var.150 P2.Var.200 P3.Var.50 P3.Var.100 P3.Var.150 P3.Var.200
# 1 134.2421 395.2022 544.4003 620.0762 106.1339 355.2267 481.9931 541.8592 120.18797 375.2145 513.1967 580.9677
# 2 52.3750 161.6366 266.4392 333.2188 113.2522 277.1972 329.5758 372.0547 82.81358 219.4169 298.0075 352.6368
# 3 177.1260 538.4084 718.9986 837.1097 172.3841 502.0868 709.3154 829.2996 174.75507 520.2476 714.1570 833.2047
这比Akrun的解决方案不那么通用，但是如果您没有缺少列，并且您知道您的类别p和VAR，那么它应该更快（也更短）
它仅使用基础R+管道：
np = 2
vars <- seq(50,200,by = 50)
df %>%
unlist %>%
matrix(ncol=np) %>%
cbind(rowMeans(.)) %>%
matrix(nrow=nrow(df)) %>%
`colnames<-`(c(names(df),paste0("P",np+1,".Var.",vars))) %>%
as.data.frame(stringsAsFactors=FALSE)
# P1.Var.50 P1.Var.100 P1.Var.150 P1.Var.200 P2.Var.50 P2.Var.100 P2.Var.150 P2.Var.200 P3.Var.50 P3.Var.100 P3.Var.150 P3.Var.200
# 1 134.2421 395.2022 544.4003 620.0762 106.1339 355.2267 481.9931 541.8592 120.18797 375.2145 513.1967 580.9677
# 2 52.3750 161.6366 266.4392 333.2188 113.2522 277.1972 329.5758 372.0547 82.81358 219.4169 298.0075 352.6368
# 3 177.1260 538.4084 718.9986 837.1097 172.3841 502.0868 709.3154 829.2996 174.75507 520.2476 714.1570 833.2047
np=2
变量%
未列出%>%
基质（ncol=np）%>%
cbind（rowMeans（%）%%>%
矩阵（nrow=nrow（df））%>%
`colnames%
as.data.frame（stringsAsFactors=FALSE）
#P1.Var.50 P1.Var.100 P1.Var.150 P1.Var.200 P2.Var.50 P2.Var.100 P2.Var.150 P2.Var.200 P3.Var.50 P3.Var.100 P3.Var.150 P3.Var.200
# 1 134.2421 395.2022 544.4003 620.0762 106.1339 355.2267 481.9931 541.8592 120.18797 375.2145 513.1967 580.9677
# 2 52.3750 161.6366 266.4392 333.2188 113.2522 277.1972 329.5758 372.0547 82.81358 219.4169 298.0075 352.6368
# 3 177.1260 538.4084 718.9986 837.1097 172.3841 502.0868 709.3154 829.2996 174.75507 520.2476 714.1570 833.2047
可能熔化数据集，然后将变量列拆分为两部分，dcast on P variable，create P3，remelt，concat columns，redcast可能熔化数据集，然后将变量列拆分为两部分，dcast on P variable，create P3，remelt，concat columns，redcast