Somme sur plusieurs colonnes avec dplyr

Ma question consiste à additionner les valeurs sur plusieurs colonnes d'un bloc de données et à créer une nouvelle colonne correspondant à cette somme à l'aide de dplyr. Les entrées de données dans les colonnes sont binaires (0,1). Je pense à un analogue en ligne de la fonction summarise_eachou mutate_eachde dplyr. Voici un exemple minimal de la trame de données:

library(dplyr)
df=data.frame(
  x1=c(1,0,0,NA,0,1,1,NA,0,1),
  x2=c(1,1,NA,1,1,0,NA,NA,0,1),
  x3=c(0,1,0,1,1,0,NA,NA,0,1),
  x4=c(1,0,NA,1,0,0,NA,0,0,1),
  x5=c(1,1,NA,1,1,1,NA,1,0,1))

> df
   x1 x2 x3 x4 x5
1   1  1  0  1  1
2   0  1  1  0  1
3   0 NA  0 NA NA
4  NA  1  1  1  1
5   0  1  1  0  1
6   1  0  0  0  1
7   1 NA NA NA NA
8  NA NA NA  0  1
9   0  0  0  0  0
10  1  1  1  1  1

Je pourrais utiliser quelque chose comme:

df <- df %>% mutate(sumrow= x1 + x2 + x3 + x4 + x5)

mais cela impliquerait d'écrire les noms de chacune des colonnes. J'ai environ 50 colonnes. De plus, les noms de colonnes changent à différentes itérations de la boucle dans laquelle je veux implémenter cette opération, je voudrais donc essayer d'éviter d'avoir à donner des noms de colonne.

Comment puis-je le faire le plus efficacement possible? Toute assistance sera grandement appréciée.

Que diriez-vous

résumer chaque colonne

df %>%
   replace(is.na(.), 0) %>%
   summarise_all(funs(sum))

résumer chaque ligne

df %>%
   replace(is.na(.), 0) %>%
   mutate(sum = rowSums(.[1:5]))

Si vous souhaitez additionner uniquement certaines colonnes, j'utiliserais quelque chose comme ceci:

library(dplyr)
df=data.frame(
  x1=c(1,0,0,NA,0,1,1,NA,0,1),
  x2=c(1,1,NA,1,1,0,NA,NA,0,1),
  x3=c(0,1,0,1,1,0,NA,NA,0,1),
  x4=c(1,0,NA,1,0,0,NA,0,0,1),
  x5=c(1,1,NA,1,1,1,NA,1,0,1))
df %>% select(x3:x5) %>% rowSums(na.rm=TRUE) -> df$x3x5.total
head(df)

De cette façon, vous pouvez utiliser dplyr::selectla syntaxe de.

J'utiliserais la correspondance d'expressions régulières pour additionner des variables avec certains noms de modèle. Par exemple:

df <- df %>% mutate(sum1 = rowSums(.[grep("x[3-5]", names(.))], na.rm = TRUE),
                    sum_all = rowSums(.[grep("x", names(.))], na.rm = TRUE))

De cette façon, vous pouvez créer plusieurs variables en tant que somme de certains groupes de variables de votre bloc de données.

Je rencontre souvent ce problème et le moyen le plus simple de le faire est d'utiliser la apply()fonction dans une mutatecommande.

library(tidyverse)
df=data.frame(
  x1=c(1,0,0,NA,0,1,1,NA,0,1),
  x2=c(1,1,NA,1,1,0,NA,NA,0,1),
  x3=c(0,1,0,1,1,0,NA,NA,0,1),
  x4=c(1,0,NA,1,0,0,NA,0,0,1),
  x5=c(1,1,NA,1,1,1,NA,1,0,1))

df %>%
  mutate(sum = select(., x1:x5) %>% apply(1, sum, na.rm=TRUE))

Ici, vous pouvez utiliser ce que vous voulez pour sélectionner les colonnes en utilisant les dplyrastuces standard (par exemple starts_with()ou contains()). En effectuant tout le travail dans une seule mutatecommande, cette action peut se produire n'importe où dans un dplyrflux d'étapes de traitement. Enfin, en utilisant la apply()fonction, vous avez la possibilité d'utiliser le résumé dont vous avez besoin, y compris votre propre fonction de résumé spécialement conçue.

Sinon, si l'idée d'utiliser une fonction non-tidyverse n'est pas attrayante, vous pouvez rassembler les colonnes, les résumer et enfin joindre le résultat à la trame de données d'origine.

df <- df %>% mutate( id = 1:n() )   # Need some ID column for this to work

df <- df %>%
  group_by(id) %>%
  gather('Key', 'value', starts_with('x')) %>%
  summarise( Key.Sum = sum(value) ) %>%
  left_join( df, . )

Ici, j'ai utilisé la starts_with()fonction pour sélectionner les colonnes et calculé la somme et vous pouvez faire ce que vous voulez avec des NAvaleurs. L'inconvénient de cette approche est que, bien qu'elle soit assez flexible, elle ne s'intègre pas vraiment dans un dplyrflux d'étapes de nettoyage des données.

L'utilisation de reduce()from purrrest légèrement plus rapide rowSumset certainement plus rapide que apply, puisque vous évitez d'itérer sur toutes les lignes et profitez simplement des opérations vectorisées:

library(purrr)
library(dplyr)
iris %>% mutate(Petal = reduce(select(., starts_with("Petal")), `+`))

Voir ceci pour les horaires

Dans les versions plus récentes de, dplyrvous pouvez utiliser rowwise()avec c_acrosspour effectuer une agrégation par ligne pour les fonctions qui n'ont pas de variantes spécifiques par ligne, mais si la variante par ligne existe, elle devrait être plus rapide.

Puisqu'il rowwise()s'agit simplement d'une forme spéciale de regroupement et qu'il change la façon dont les verbes fonctionnent, vous voudrez probablement le diriger ungroup()après avoir effectué votre opération par ligne.

Pour sélectionner une plage de lignes:

df %>%
  dplyr::rowwise() %>% 
  dplyr::mutate(sumrange = sum(dplyr::c_across(x1:x5), na.rm = T))
# %>% dplyr::ungroup() # you'll likely want to ungroup after using rowwise()

Pour sélectionner des lignes par type:

df %>%
  dplyr::rowwise() %>% 
  dplyr::mutate(sumnumeric = sum(c_across(where(is.numeric)), na.rm = T))
# %>% dplyr::ungroup() # you'll likely want to ungroup after using rowwise()

Dans votre cas spécifique, une variante par ligne existe, vous pouvez donc faire ce qui suit (notez l'utilisation de à la acrossplace):

df %>%
  dplyr::mutate(sumrow = rowSums(dplyr::across(x1:x5), na.rm = T))
# %>% dplyr::ungroup() # you'll likely want to ungroup after using rowwise()

Pour plus d'informations, consultez la page sur rowwise .