separate - dplyr summarize: Equivalente a ".drop=FALSE" para mantener grupos con longitud cero en salida

tidyr cheat sheet

Question

Al usar summarise con la función ddply , las categorías vacías se descartan por defecto. Puede cambiar este comportamiento agregando .drop = FALSE . Sin embargo, esto no funciona cuando se usa summarise con dplyr . ¿Hay alguna otra forma de mantener categorías vacías en el resultado?

Aquí hay un ejemplo con datos falsos.

library(dplyr)

df = data.frame(a=rep(1:3,4), b=rep(1:2,6))

# Now add an extra level to df$b that has no corresponding value in df$a
df$b = factor(df$b, levels=1:3)

# Summarise with plyr, keeping categories with a count of zero
plyr::ddply(df, "b", summarise, count_a=length(a), .drop=FALSE)

  b    count_a
1 1    6
2 2    6
3 3    0

# Now try it with dplyr
df %.%
  group_by(b) %.%
  summarise(count_a=length(a), .drop=FALSE)

  b     count_a .drop
1 1     6       FALSE
2 2     6       FALSE

No es exactamente lo que esperaba. ¿Hay un método dplyr para lograr el mismo resultado que .drop=FALSE en plyr ?

Answer 1

solución dplyr:

Primero haz un grupo de df

by_b <- tbl_df(df) %>% group_by(b)

luego resumimos esos niveles que ocurren contando con n()

res <- by_b %>% summarise( count_a = n() )

luego fusionamos nuestros resultados en un marco de datos que contiene todos los niveles de factores:

expanded_res <- left_join(expand.grid(b = levels(df$b)),res)

finalmente, en este caso, dado que estamos mirando los recuentos, los valores de NA se cambian a 0.

final_counts <- expanded_res[is.na(expanded_res)] <- 0

Esto también se puede implementar funcionalmente, ver respuestas: ¿ Agregar filas a los datos agrupados con dplyr?

Un truco:

Pensé que publicaría un truco terrible que funciona en este caso por interés. Dudo seriamente que alguna vez lo hagas, pero muestra cómo group_by() genera los atrributes como si df$b fuera un vector de caracteres, no un factor con niveles. Además, no pretendo entender esto correctamente, pero espero que esto me ayude a aprender: ¡esta es la única razón por la que lo estoy publicando!

by_b <- tbl_df(df) %>% group_by(b)

define un valor "fuera de límites" que no puede existir en el conjunto de datos.

oob_val <- nrow(by_b)+1

modificar atributos para "truco" summarise() :

attr(by_b, "indices")[[3]] <- rep(NA,oob_val)
attr(by_b, "group_sizes")[3] <- 0
attr(by_b, "labels")[3,] <- 3

hacer el resumen:

res <- by_b %>% summarise(count_a = n())

indexe y reemplace todas las ocurrencias de oob_val

res[res == oob_val] <- 0

que da la intención:

> res
Source: local data frame [3 x 2]

b count_a
1 1       6
2 2       6
3 3       0

Answer 2

El problema sigue abierto, pero mientras tanto, especialmente debido a que sus datos ya están incluidos, puede usar los datos complete de "tidyr" para obtener lo que podría estar buscando:

library(tidyr)
df %>%
  group_by(b) %>%
  summarise(count_a=length(a)) %>%
  complete(b)
# Source: local data frame [3 x 2]
# 
#        b count_a
#   (fctr)   (int)
# 1      1       6
# 2      2       6
# 3      3      NA

Si desea que el valor de reemplazo sea cero, debe especificarlo con fill :

df %>%
  group_by(b) %>%
  summarise(count_a=length(a)) %>%
  complete(b, fill = list(count_a = 0))
# Source: local data frame [3 x 2]
# 
#        b count_a
#   (fctr)   (dbl)
# 1      1       6
# 2      2       6
# 3      3       0

Answer 3

esto no es exactamente lo que se preguntó en la pregunta, pero al menos para este simple ejemplo, puede obtener el mismo resultado usando xtabs, por ejemplo:

usando dplyr:

df %.%
  xtabs(formula = ~ b) %.%
  as.data.frame()

o más corto:

as.data.frame(xtabs( ~ b, df))

resultado (igual en ambos casos):

  b Freq
1 1    6
2 2    6
3 3    0