mutate - r dplyr cheat sheet

dplyr: lead() y lag() incorrecto cuando se usa con group_by()

Question

Quiero encontrar el elemento lead () y lag () en cada grupo, pero tuve algunos resultados erróneos.

Por ejemplo, los datos son así:

library(dplyr)
df = data.frame(name=rep(c(''Al'',''Jen''),3),
                score=rep(c(100, 80, 60),2))
df

Datos:

  name score
1   Al   100
2  Jen    80
3   Al    60
4  Jen   100
5   Al    80
6  Jen    60

Ahora trato de averiguar las puntuaciones de plomo () y lag () de cada persona. Si lo ordeno usando Arreglo (), puedo obtener la respuesta correcta:

df %>%
  arrange(name) %>%
  group_by(name) %>%
  mutate(next.score = lead(score),
         before.score = lag(score) )

SALIDA1:

Source: local data frame [6 x 4]
Groups: name

      name score next.score before.score
    1   Al   100         60           NA
    2   Al    60         80          100
    3   Al    80         NA           60
    4  Jen    80        100           NA
    5  Jen   100         60           80
    6  Jen    60         NA          100

Sin organizar (), el resultado es incorrecto:

df %>%
  group_by(name) %>%
  mutate(next.score = lead(score),
         before.score = lag(score) )

SALIDA2:

Source: local data frame [6 x 4]
Groups: name

  name score next.score before.score
1   Al   100         80           NA
2  Jen    80         60           NA
3   Al    60        100           80
4  Jen   100         80           60
5   Al    80         NA          100
6  Jen    60         NA           80

Por ejemplo, en la 1ª línea, el siguiente puntaje de Al debería ser 60 (3ª línea).

¿Alguien sabe por qué sucedió esto? ¿Por qué organizar () afecta el resultado (los valores, no solo el orden)? Gracias ~

Answer 1

Parece que tienes que pasar argumentos adicionales para retrasar y liderar funciones. Cuando ejecuto tu función sin organizar, pero con order_by agregado, todo parece estar bien.

df %>%
group_by(name) %>%
mutate(next.score = lead(score, order_by=name),
before.score = lag(score, order_by=name))

Salida:

  name score next.score before.score
1   Al   100         60           NA
2  Jen    80        100           NA
3   Al    60         80          100
4  Jen   100         60           80
5   Al    80         NA           60
6  Jen    60         NA          100

Mi sessionInfo ():

R version 3.1.1 (2014-07-10)
Platform: x86_64-w64-mingw32/x64 (64-bit)

locale:
[1] LC_COLLATE=Polish_Poland.1250  LC_CTYPE=Polish_Poland.1250        LC_MONETARY=Polish_Poland.1250
[4] LC_NUMERIC=C                   LC_TIME=Polish_Poland.1250    

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] dplyr_0.4.1

loaded via a namespace (and not attached):
[1] assertthat_0.1  DBI_0.3.1       lazyeval_0.1.10 magrittr_1.5                parallel_3.1.1  Rcpp_0.11.5    
[7] tools_3.1.1 

Answer 2

Usar order_by es bueno cuando solo tienes una variable de agrupación. En el caso de una variable de agrupación múltiple, no pude encontrar ninguna solución excepto escribir y leer la tabla para deshacerme de las variables de agrupación. Funcionó bastante bien para mí, pero su eficiencia depende del tamaño de la tabla.