r - dplyr 总结的变量结果，取决于输出变量命名

Question

我正在使用 dplyr包 ( dplyr 0.4.3; R 3.2.3) 用于分组数据的基本摘要 ( summarise )，但得到不一致的结果('sd' 为 NaN，'N' 计数不正确)。更改“名称” "的输出具有可变效果(以下示例)。

迄今为止的结果摘要:

plyr包未加载，我知道这可能会导致 dplyr 出现问题如果先加载。

使用或不使用 NA 数据(未显示)获得的结果相同。

问题可以通过使用驼峰命名法变量命名(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。

仍然根据“。”的组合获得有效结果。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？我在总结中看到了其他具有可变行为的问题，但不完全是这样。

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 和不准确的 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“.”是否有问题。名义上，
或使用与数据框中相同的名称。从输出中删除现有的 df col 名称可解决此问题

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

即使保留了“glucose.sd”，删除“glucose”摘要也会修复它
示例:去除“葡萄糖”后，结果正常

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

如果我为第一个摘要添加“glucose.mean”，它工作正常

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“.”的变量名时出现同样的错误。
所以这不仅仅是使用“.”的问题。名义上

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“glucose”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 中指定的转换按照它们出现的顺序执行，这意味着如果您更改变量值，那么这些新值将出现在后续列中(这与基本函数 tranform() 不同)。当你做

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

glucose=mean(glucose, na.rm=TRUE)部分已更改 glucose 的值变量，这样当您计算 glucose.sd=sd(glucose, na.rm=TRUE) 时部分， sd()没有看到原始葡萄糖值，它看到的新值是原始值的平均值。如果您重新排序列，它将起作用。

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

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稍后的转换中使用该列值通常很好。例如，使用 mutate()

df %>% group_by(time) %>%
  mutate(glucose_sq = glucose^2,
        glucose_sq_plus2 = glucose_sq+2)