看来summarise
和 summarise_each
正在对它们提供的回调函数进行不必要的额外调用。假设我们有以下
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)函数
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:X %>% group_by( Group ) %>% summarise_each( funs(f) )
但是,输出显示
f
为 G1 中的每个变量额外调用一次: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
时也会出现同样的问题:> 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以及如何防止
summarise
和 summarise_each
从打那些额外的电话?(这是使用
R
版本 3.3.0 和 dplyr
版本 0.5.0)编辑:看来这个问题与
group_by
之间的相互作用有关。和 summarise
/summarise_each
.没有分组,就不会进行额外的调用。另外,mutate
和 mutate_each
不要遭受这个问题。 (信用:eddi 和 eipi10 这些发现)
最佳答案
尽管 dplyr 0.5.0(2016-06-24 发布)中仍然存在此问题,但已在 dplyr GitHub repro 中修复。已通过 this commit 修复于 2016-09-24 制作。我已经确认,当我在上一次提交中 checkout 和构建版本时,我可以重现该问题,但在从该版本或后续版本构建时无法重现。
(是的,在我找到它之前,我尝试了一大堆其他的。为什么我为了获得想象中的互联网积分而竭尽全力,我留给我的治疗师一个问题。:)
特别是在函数 SEXP process_data(const Data& gdf)
在 inst/include/dplyr/Result/CallbackProcessor.h
,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);
[评论由我添加,不是实际来源的一部分]
关于r - dplyr summarise() 和 summarise_each() 对提供的函数进行额外调用,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42470926/