Я использую dplyr summaryise_each для применения функции к нескольким столбцам данных. Одно замечательно, что вы можете сразу применить несколько функций. Дело в том, что это раздражает, что вывод представляет собой кадр данных с одной строкой. Кажется, что он должен возвращать столько строк, сколько функций, с таким количеством столбцов, как столбцы, которые были суммированы.
library(dplyr)
default <-
iris %>%
summarise_each(funs(min, max), matches("Petal"))
это возвращает
> default
Petal.Length_min Petal.Width_min Petal.Length_max Petal.Width_max
1 1 0.1 6.9 2.5
Я бы предпочел что-то вроде
library(reshape2)
desired <-
iris %>%
select(matches("Petal")) %>%
melt() %>%
group_by(variable) %>%
summarize(min=min(value),max=max(value)) %>%
t()
который возвращает что-то близкое (а не фреймворк данных, но вы все понимаете)
> desired
[,1] [,2]
variable "Petal.Length" "Petal.Width"
min "1.0" "0.1"
max "6.9" "2.5"
есть ли опция в summaryise для этого? Если нет, Хэдли, не могли бы вы добавить его?
Вы можете получить аналогичный вывод, объединяющий пакеты dplyr и tidyr.
Что-то в этих строках может помочь
library(dplyr)
library(tidyr)
iris %>%
select(matches("Petal")) %>%
summarise_each(funs(min, max)) %>%
gather(variable, value) %>%
separate(variable, c("var", "stat"), sep = "\\_") %>%
spread(var, value)
## stat Petal.Length Petal.Width
## 1 max 6.9 2.5
## 2 min 1.0 0.1
Насколько мне известно, такого аргумента нет. Во всяком случае, здесь обходной путь, который выводит аккуратные данные, я думаю, что это будет даже лучше, чем столько строк, сколько функций и столько столбцов, сколько суммированных столбцов. (обратите внимание, что add_rownames требует dplyr 0.4.0)
library("dplyr")
library("tidyr")
iris %>%
summarise_each(funs(min, max, mean, median), matches("Petal")) %>%
t %>%
as.data.frame %>%
add_rownames %>%
separate(rowname, into = c("feature", "fun"), sep = "_")
возвращает:
feature fun V1
1 Petal.Length min 1.000000
2 Petal.Width min 0.100000
3 Petal.Length max 6.900000
4 Petal.Width max 2.500000
5 Petal.Length mean 3.758000
6 Petal.Width mean 1.199333
7 Petal.Length median 4.350000
8 Petal.Width median 1.300000
Один из вариантов заключается в использовании purrr::map_df (действительно map_dfc, чтобы упростить возврат к data.frame с помощью bind_cols, хотя map_df сейчас прекрасен) с помощью функции, которая делает вектор результатов каждой функции, то есть
library(tidyverse)
iris %>% select(contains('Petal')) %>%
map_dfc(~c(min(.x), max(.x))) %>%
mutate(stat = c('min', 'max')) # to add column of function names
#> # A tibble: 2 × 3
#> Petal.Length Petal.Width stat
#> <dbl> <dbl> <chr>
#> 1 1.0 0.1 min
#> 2 6.9 2.5 max