似乎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(可能很昂贵的)功能
f <- function(v)
{
cat( "Calling f with vector", v, "\n" )
## ...additional bookkeeping and processing...
mean(v)
}
我们想要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讨论:
X %>% group_by( Group ) %>% summarise_each( funs(f) )
但是,输出结果显示,G1中的每个变量都会再调用f
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?如何阻止summarise
和summarise_each
进行额外的通话?
(这是使用R
版本3.3.0和dplyr
版本0.5.0)
编辑:问题似乎与group_by
和summarise
/ summarise_each
之间的相互作用有关。没有分组,就不会进行额外的呼叫。此外,mutate
和mutate_each
不会遇到此问题。 (这些调查结果为eddi和eipi10
答案 0 :(得分:6)
尽管dplyr 0.5.0(2016-06-24发布)中仍然存在此问题,但它已在dplyr GitHub repro中修复。它是在2016-09-24制作的this commit修复的。我已经确认,当我在上一次提交时签出并构建版本时,我可以重现该问题,但是在从该一个或后续版本构建时不能。
(是的,在我找到它之前,我尝试了很多其他的。为什么我会这么长,以期获得想象中的互联网积分,我作为一个问题留给我的治疗师。)
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,不是实际来源的一部分]