似乎summarise
和summarise_each
正在对其提供的回调函数进行不必要的额外调用。假设我们有以下内容
X <- data.frame( Group = rep(c("G1","G2"),2:3), Var1 = 1:5, Var2 = 11:15 )
看起来像这样:
Group Var1 Var2
1 G1 1 11
2 G1 2 12
3 G2 3 13
4 G2 4 14
5 G2 5 15
进一步假设我们有一个(可能很昂贵)的功能
f <- function(v)
{
cat( "Calling f with vector", v, "\n" )
## ...additional bookkeeping and processing...
mean(v)
}
我们希望将其应用于每个组中的每个变量。使用
dplyr
,我们可以通过以下方式进行处理:X %>% group_by( Group ) %>% summarise_each( funs(f) )
但是,输出显示
f
为G1中的每个变量又调用了一次:Calling f with vector 1 2
Calling f with vector 1 2
Calling f with vector 3 4 5
Calling f with vector 11 12
Calling f with vector 11 12
Calling f with vector 13 14 15
# A tibble: 2 x 3
Group Var1 Var2
<fctr> <dbl> <dbl>
1 G1 1.5 11.5
2 G2 4.0 14.0
使用
summarize
时存在相同的问题:> X %>% group_by( Group ) %>% summarise( test = f(Var1) )
Calling f with vector 1 2
Calling f with vector 1 2
Calling f with vector 3 4 5
# A tibble: 2 × 2
Group test
<fctr> <dbl>
1 G1 1.5
2 G2 4.0
为什么会发生这种情况?如何防止
summarise
和summarise_each
进行这些额外的调用?(这使用的是
R
版本3.3.0和dplyr
版本0.5.0)编辑:看来,此问题与
group_by
和summarise
/ summarise_each
之间的相互作用有关。如果没有分组,则不会进行额外的 call 。此外,mutate
和mutate_each
不受此问题的影响。 (对于这些发现,信誉:eddi和eipi10)
最佳答案
尽管此问题在dplyr 0.5.0(发布于2016-06-24)中仍然存在,但已在dplyr GitHub repro中修复。它在2016-09-24用this commit修复。我已经确认,当我在上次提交时结帐并构建版本时,可以重现该问题,但是在该版本或后续版本中进行构建时,则不能。
(是的,在找到它之前,我尝试了很多其他方法。为什么要竭尽全力希望获得想象中的互联网积分,我还是向治疗师提一个问题。)
特别是,在SEXP process_data(const Data& gdf)
中的inst/include/dplyr/Result/CallbackProcessor.h
函数中,请注意以下更改:
CLASS* obj = static_cast<CLASS*>(this);
typename Data::group_iterator git = gdf.group_begin();
RObject first_result = obj->process_chunk(*git);
++git; // This line was added
和
for (int i = 1; i < ngroups; ++git, ++i) { // changed from starting at i = 0
RObject chunk = obj->process_chunk(*git);
[我添加的评论,不属于实际内容]
关于r - dplyr summarise()和summarise_each()对提供的函数进行额外的调用,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39236759/