Question

我正在使用dplyr包（dplyr 0.4.3; R 3.2.3）来获取分组数据的基本摘要（summarise），但结果不一致（NaN for 'sd'和'N'的错误计数。）更改输出的“名称”具有可变效果（如下所示）。

到目前为止的结果摘要：

plyr包未加载，我知道如果首先加载，可能会导致dplyr出现问题。
使用或不使用NA数据获得相同的结果（未示出）。
可以通过使用camelCase变量命名（未显示）或使用名称中没有非字母数字分隔符的输出变量来解决问题。
取决于“。”的组合，仍然可以获得有效结果。或输出列名称中的“_”。

问题：虽然可以解决这个问题，但是我是否违反了我违反的基本变量命名规则，或者是否存在需要解决的程序问题？我已经看到了带有变量行为的其他问题，但总结不多。

谢谢，马特

示例数据：

library(dplyr)
df<-data_frame(id=c(1,1,1,2,2,2,3,3,3),
       time=rep(1:3, 3),
       glucose=c(90,150, 200,
                 100,150,200,
                 80,100,150))

示例：sd给出NaN且不准确n

df %>% group_by(time) %>%
  summarise(glucose=mean(glucose, na.rm=TRUE),
        glucose.sd=sd(glucose, na.rm=TRUE),
        n=sum(!is.na(glucose)))

   time  glucose glucose.sd     n
  (int)    (dbl)      (dbl) (int)
1     1  90.0000        NaN     1
2     2 133.3333        NaN     1
3     3 183.3333        NaN     1

我想知道使用“。”是否存在问题。在名字中，或使用与数据框中相同的名称。从输出中删除现有的df col名称修复了此

df %>% group_by(time) %>%
  summarise(avg=mean(glucose, na.rm=TRUE),
        stdv=sd(glucose, na.rm=TRUE),
        n=sum(!is.na(glucose)))

   time      avg     stdv     n
  (int)    (dbl)    (dbl) (int)
1     1  90.0000 10.00000     3
2     2 133.3333 28.86751     3
3     3 183.3333 28.86751     3

即使留下“glucose.sd”，删除“葡萄糖”摘要也会修复它示例：去除“葡萄糖”后，结果可以

df %>% group_by(time) %>%
  summarise(glucose.sd=sd(glucose, na.rm=TRUE),
        n=sum(!is.na(glucose)))

   time glucose.sd     n
  (int)      (dbl) (int)
1     1   10.00000     3
2     2   28.86751     3
3     3   28.86751     3

如果我添加“glucose.mean”作为第一个摘要，它可以正常工作

df %>% group_by(time) %>%
  summarise(glucose.mean=mean(glucose, na.rm=TRUE),
            glucose.sd=sd(glucose, na.rm=TRUE),
            n=sum(!is.na(glucose)))

   time glucose.mean glucose.sd     n
  (int)        (dbl)      (dbl) (int)
1     1      90.0000   10.00000     3
2     2     133.3333   28.86751     3
3     3     183.3333   28.86751     3

使用不带“。”的变量名时出现相同的错误。所以这不仅仅是使用“。”的问题。名字

df %>% group_by(time) %>%
  summarise(glucose=mean(glucose, na.rm=TRUE),
        glucose_sd=sd(glucose, na.rm=TRUE),
        n=sum(!is.na(glucose)))

   time  glucose glucose_sd     n
  (int)    (dbl)      (dbl) (int)
1     1  90.0000        NaN     1
2     2 133.3333        NaN     1
3     3 183.3333        NaN     1

将“葡萄糖”重命名为“glucose_mean”有效

df %>% group_by(time) %>%
  summarise(glucose_mean=mean(glucose, na.rm=TRUE),
        glucose_sd=sd(glucose, na.rm=TRUE),
        n=sum(!is.na(glucose)))

   time glucose_mean glucose_sd     n
  (int)        (dbl)      (dbl) (int)
1     1      90.0000   10.00000     3
2     2     133.3333   28.86751     3
3     3     183.3333   28.86751     3

Answer 1

您在summarize中指定的转换按其出现的顺序执行，这意味着如果您更改变量值，则会为后续列显示这些新值（这与基函数{{1}不同}）。当你这样做

tranform()

df %>% group_by(time) %>% summarise(glucose=mean(glucose, na.rm=TRUE), glucose.sd=sd(glucose, na.rm=TRUE), n=sum(!is.na(glucose)))部分更改了glucose=mean(glucose, na.rm=TRUE)变量的值，以便在计算glucose部分时，glucose.sd=sd(glucose, na.rm=TRUE)看不到原始葡萄糖值，查看新值，即原始值的平均值。如果您重新排序列，它将起作用。

sd()

如果您想知道为什么这是默认行为，这是因为创建一个列然后在转换中使用该列值通常很好。例如，使用df %>% group_by(time) %>% summarise(glucose.sd=sd(glucose, na.rm=TRUE), n=sum(!is.na(glucose)), glucose=mean(glucose, na.rm=TRUE))

mutate()

使用dplyr汇总的可变结果，具体取决于输出变量命名

1 个答案: