dplyr summarize: эквивалент «.drop = FALSE» для сохранения групп с нулевой длиной на выходе

При использовании summariseс plyr«S ddplyфункции, пустые категории удаляются по умолчанию. Вы можете изменить это поведение, добавив .drop = FALSE. Однако это не работает при использовании summariseс dplyr. Есть ли другой способ сохранить в результате пустые категории?

Вот пример с поддельными данными.

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

Не совсем то, на что я надеялся. Есть ли dplyrспособ добиться того же результата, что и .drop=FALSEв plyr?

Поскольку dplyr 0.8 group_by получил .dropаргумент, который делает именно то, о чем вы просили:

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

df %>%
  group_by(b, .drop=FALSE) %>%
  summarise(count_a=length(a))

#> # A tibble: 3 x 2
#>   b     count_a
#>   <fct>   <int>
#> 1 1           6
#> 2 2           6
#> 3 3           0

Еще одно примечание к ответу @Moody_Mudskipper: использование .drop=FALSEможет дать потенциально неожиданные результаты, если одна или несколько группирующих переменных не закодированы как факторы. См. Примеры ниже:

library(dplyr)
data(iris)

# Add an additional level to Species
iris$Species = factor(iris$Species, levels=c(levels(iris$Species), "empty_level"))

# Species is a factor and empty groups are included in the output
iris %>% group_by(Species, .drop=FALSE) %>% tally

#>   Species         n
#> 1 setosa         50
#> 2 versicolor     50
#> 3 virginica      50
#> 4 empty_level     0

# Add character column
iris$group2 = c(rep(c("A","B"), 50), rep(c("B","C"), each=25))

# Empty groups involving combinations of Species and group2 are not included in output
iris %>% group_by(Species, group2, .drop=FALSE) %>% tally

#>   Species     group2     n
#> 1 setosa      A         25
#> 2 setosa      B         25
#> 3 versicolor  A         25
#> 4 versicolor  B         25
#> 5 virginica   B         25
#> 6 virginica   C         25
#> 7 empty_level <NA>       0

# Turn group2 into a factor
iris$group2 = factor(iris$group2)

# Now all possible combinations of Species and group2 are included in the output, 
#  whether present in the data or not
iris %>% group_by(Species, group2, .drop=FALSE) %>% tally

#>    Species     group2     n
#>  1 setosa      A         25
#>  2 setosa      B         25
#>  3 setosa      C          0
#>  4 versicolor  A         25
#>  5 versicolor  B         25
#>  6 versicolor  C          0
#>  7 virginica   A          0
#>  8 virginica   B         25
#>  9 virginica   C         25
#> 10 empty_level A          0
#> 11 empty_level B          0
#> 12 empty_level C          0

Created on 2019-03-13 by the reprex package (v0.2.1)

Проблема все еще не решена, но пока что, тем более что ваши данные уже учтены, вы можете использовать completefrom "tidyr", чтобы получить то, что вы, возможно, ищете:

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

Если вы хотите, чтобы значение замены было равно нулю, вам нужно указать это с помощью 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

раствор dplyr:

Сначала сделайте сгруппированный df

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

затем мы суммируем те уровни, которые возникают, подсчитывая с n()

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

затем мы объединяем наши результаты во фрейм данных, который содержит все уровни факторов:

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

наконец, в этом случае, поскольку мы смотрим на счетчики, NAзначения меняются на 0.

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

Это также можно реализовать функционально, см. Ответы: Добавить строки в сгруппированные данные с помощью dplyr?

Взлом:

Думал , ради интереса выложу ужасный хак, который работает в данном случае. Я серьезно сомневаюсь, что вам когда-либо стоит это делать, но он показывает, как group_by()генерируются атрибуты, как если бы это df$bбыл вектор символов, а не фактор с уровнями. Кроме того, я не претендую на то, чтобы понять это должным образом - но я надеюсь, что это поможет мне научиться - это единственная причина, по которой я публикую это!

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

определить значение «вне пределов», которое не может существовать в наборе данных.

oob_val <- nrow(by_b)+1

изменить атрибуты на "уловку" summarise():

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

сделать резюме:

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

проиндексировать и заменить все вхождения oob_val

res[res == oob_val] <- 0

что дает предполагаемое:

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

b count_a
1 1       6
2 2       6
3 3       0

это не совсем то, что было задано в вопросе, но, по крайней мере, для этого простого примера вы можете получить тот же результат, используя xtabs, например:

используя dplyr:

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

или короче:

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

результат (равный в обоих случаях):

  b Freq
1 1    6
2 2    6
3 3    0