r - dplyr 工作流中带有 do() 的 broom::tidy() 因 summaryDefault 对象而失败

Question

我想对 data.frame 中的变量进行数字汇总(基础包中的 summary.default())，并在 broom 包中使用 tidy()，但这不知何故失败了.

在这个例子中，我创建了一个 data.frame:

df <- data.frame(group = c(rep('M', 6), 'F', 'F', 'M', 'M', 'F', 'F'),
                 val = c(6, 5, NA, NA, 6, 13, NA, 8, 10, 7, 14, 6))

我加载了 plyr (1.8.3)、dplyr (0.4.2) 和 broom (0.3.7)(在那命令)。仅供引用，在 64 位 Windows 上运行 R 3.2.2，但我在 Unix 上遇到与 3.2.1 类似的问题。

我认为这会给我一个理想的输出:

df %>% group_by(group) %>% do(tidy(summary(.$val)))

但我收到一条错误消息:

Error: corrupt data frame at index 1

我可以通过 broom::tidy 使用 plyr 方法得到一些理想的东西，如下所示:

df %>% group_by(group) %>% do(summ = summary(.$val)) %>% 
    daply(.(group), function(x) tidy(x$summ[[1]]))

group minimum q1 median mean  q3   maximum <NA>
    F 6       7  8      9.333 11   14      1   
    M 5       6  6.5    7.833 9.25 13      2  

但很明显，我问这个问题是为了找到问题的根源，如上文所述，在 do() 函数中使用 tidy() (summaryDefault) .

Answer 1

tl;dr 这看起来像是 broom:::tidy.summaryDefault 中的错误(我报告了它 here )，它假设摘要对象只有6 个元素(不是 7 个，数据中有 NA 值时就是这种情况)。它看起来很容易修复，但我现在没有时间......

我使用 options(error=recover) 查看问题发生的位置。根据以下内容，我认为问题与列名中的 "NA" 有关，它必须在某些时候以非标准方式进行评估:

当事情中断时，我们将执行 rbind_all(out[[1]])。这是我们拥有的:

 str(out[[1]])
List of 2
 $ :'data.frame':   1 obs. of  7 variables:
  ..$ minimum: num 6
  ..$ q1     : num 7
  ..$ median : num 8
  ..$ mean   : num 9.33
  ..$ q3     : num 11
  ..$ maximum: num 14
  ..$ NA     : num 1
 $ :'data.frame':   1 obs. of  7 variables:
  ..$ minimum: num 5
  ..$ q1     : num 6
  ..$ median : num 6.5
  ..$ mean   : num 7.83
  ..$ q3     : num 9.25
  ..$ maximum: num 13
  ..$ NA     : num 2

如果我重命名组件数据框，一切都很好:

Browse[1]> rbind_all(lapply(out[[1]],setNames,letters[1:7]))
Source: local data frame [2 x 7]

      a     b     c     d     e     f     g
  (dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl)
1     6     7   8.0 9.333 11.00    14     1
2     5     6   6.5 7.833  9.25    13     2

如果我只重命名有问题的列，它也有效:

 ff <- function(x) { names(x)[7] <- ".NA"; x }
Browse[1]> rbind_all(lapply(out[[1]],ff))
Source: local data frame [2 x 7]

  minimum    q1 median  mean    q3 maximum   .NA
    (dbl) (dbl)  (dbl) (dbl) (dbl)   (dbl) (dbl)
1       6     7    8.0 9.333 11.00      14     1
2       5     6    6.5 7.833  9.25      13     2

所以最好的办法可能是对 broom::tidy 进行 hack/feature 请求，它以某种更 protected 方式指定 NA 列(.NA , _NA, numNA, ...)

实际上，这看起来像是 summaryDefault 中的错误。该函数的内容是

ret <- as.data.frame(t(as.matrix(x)))
colnames(ret) <- c("minimum", "q1", "median", "mean", "q3", 
    "maximum")
ret

它没有考虑到摘要可能 中有NA 的 列这一事实。也就是说，names(ret)[7] 是一个实际的 NA 值，而不是 "NA" ...