mutate - dplyr en r

Pasar argumentos a las funciones dplyr

Question

Quiero parametrizar el siguiente cálculo utilizando dplyr que encuentra qué valores de Sepal.Length están asociados con más de un valor de Sepal.Width :

library(dplyr)

iris %>%
    group_by(Sepal.Length) %>%
    summarise(n.uniq=n_distinct(Sepal.Width)) %>%
    filter(n.uniq > 1)

Normalmente escribiría algo como esto:

not.uniq.per.group <- function(data, group.var, uniq.var) {
    iris %>%
        group_by(group.var) %>%
        summarise(n.uniq=n_distinct(uniq.var)) %>%
        filter(n.uniq > 1)
}

Sin embargo, este enfoque arroja errores porque dplyr usa una evaluación no estándar . ¿Cómo debe escribirse esta función?

Answer 1

Al igual que las versiones anteriores de dplyr hasta 0.5, el nuevo dplyr tiene instalaciones para evaluación estándar (SE) y evaluación no estándar (NSE). Pero se expresan de manera diferente que antes.

Si desea una función NSE, pase las expresiones simples y use enquo para capturarlas como quosures . Si desea una función SE, omite enquo y simplemente pasa quosures (o símbolos) directamente. Aquí está la solución SE a la pregunta:

library(tidyverse)
library(rlang)
f1 <- function(df, grp.var, uniq.var) {

   df %>%
       group_by(!!grp.var) %>%
       summarise(n_uniq = n_distinct(!!uniq.var)) %>%
       filter(n_uniq > 1)  
}

a <- f1(iris, quo(Sepal.Length), quo(Sepal.Width))
b <- f1(iris, sym("Sepal.Length"), sym("Sepal.Width"))
identical(a, b)
#> [1] TRUE

Tenga en cuenta que la versión SE le permite trabajar con argumentos de cadena; simplemente conviértalos en símbolos primero usando sym() . Para obtener más información, consulte la programación con dplyr vignette.

Answer 2

En la versión actual de dplyr (0.7.4) el uso de las versiones de la función de evaluación estándar (anexado ''_'' al nombre de la función, por ejemplo, group_by_ ) está en desuso. En su lugar, debe confiar en tidyeval cuando escriba funciones.

Aquí hay un ejemplo de cómo se vería tu función en ese momento:

# definition of your function
not.uniq.per.group <- function(data, group.var, uniq.var) {
  # enquotes variables to be used with dplyr-functions
  group.var <- enquo(group.var)
  uniq.var <- enquo(uniq.var)

  # use ''!!'' before parameter names in dplyr-functions
  data %>%
    group_by(!!group.var) %>%
    summarise(n.uniq=n_distinct(!!uniq.var)) %>%
    filter(n.uniq > 1)
}

# call of your function
not.uniq.per.group(iris, Sepal.Length, Sepal.Width)

Si desea conocer todos los detalles, existe una viñeta excelente del equipo de dplyr sobre cómo funciona esto.

Answer 3

En la versión de desarrollo de dplyr (que pronto se lanzará 0.6.0 ), también podemos usar una sintaxis ligeramente diferente para pasar las variables.

f1 <- function(df, grp.var, uniq.var) {
   grp.var <- enquo(grp.var)
   uniq.var <- enquo(uniq.var)

   df %>%
       group_by(!!grp.var) %>%
       summarise(n_uniq = n_distinct(!!uniq.var)) %>%
       filter(n_uniq >1)  


}

res2 <- f1(iris, Sepal.Length, Sepal.Width) 
res1 <- not.uniq.per.group(iris, "Sepal.Length", "Sepal.Width")
identical(res1, res2)
#[1] TRUE

Aquí enquo toma los argumentos y devuelve el valor como quosure (similar al sustituto en la base R) al evaluar los argumentos de la función de forma perezosa y dentro del resumen, le pedimos que descuente (!! o UQ) para que se evalúe.

Answer 4

He escrito una función en el pasado que hace algo similar a lo que está haciendo, excepto que explora todas las columnas fuera de la clave principal y busca múltiples valores únicos por grupo.

find_dups = function(.table, ...) {
  require(dplyr)
  require(tidyr)
  # get column names of primary key
  pk <- .table %>% select(...) %>% names
  other <- names(.table)[!(names(.table) %in% pk)]
  # group by primary key,
  # get number of rows per unique combo,
  # filter for duplicates,
  # get number of distinct values in each column,
  # gather to get df of 1 row per primary key, other column,
  # filter for where a columns have more than 1 unique value,
  # order table by primary key
  .table %>%
    group_by(...) %>%
    mutate(cnt = n()) %>%
    filter(cnt > 1) %>%
    select(-cnt) %>%
    summarise_each(funs(n_distinct)) %>%
    gather_(''column'', ''unique_vals'', other) %>%
    filter(unique_vals > 1) %>%
    arrange(...) %>%
    return
  # Final dataframe:
  ## One row per primary key and column that creates duplicates.
  ## Last column indicates how many unique values of
  ## the given column exist for each primary key.
}

Esta función también funciona con el operador de tuberías:

dat %>% find_dups(key1, key2)

Answer 5

Puede evitar lazyeval usando do para llamar a una función anónima y luego usar get . Esta solución se puede usar más generalmente para emplear agregaciones múltiples. Normalmente escribo la función por separado.

library(dplyr)

not.uniq.per.group <- function(df, grp.var, uniq.var) {
  df %>%
    group_by_(grp.var) %>%
    do((function(., uniq.var) {
      with(., data.frame(n_uniq = n_distinct(get(uniq.var))))
    }      
  )(., uniq.var)) %>%
  filter(n_uniq > 1)
}

not.uniq.per.group(iris, "Sepal.Length", "Sepal.Width")

Answer 6

dplyr usar las versiones de evaluación estándar de las funciones dplyr (simplemente dplyr ''_'' a los nombres de las funciones, es decir, group_by_ & summarise_ ) y pase cadenas a su función, que luego deberá convertir en símbolos. Para parametrizar el argumento de summarise_, necesitará usar interp() , que se define en el paquete lazyeval . Concretamente:

library(dplyr)
library(lazyeval)

not.uniq.per.group <- function(df, grp.var, uniq.var) {
    df %>%
        group_by_(grp.var) %>%
        summarise_( n_uniq=interp(~n_distinct(v), v=as.name(uniq.var)) ) %>%
        filter(n_uniq > 1)
}

not.uniq.per.group(iris, "Sepal.Length", "Sepal.Width")

Vea la vignette dplyr para una evaluación no estándar para más detalles.