dplyr:子分组(group_by)数据帧上的colSums:优雅

Question

我有一个非常大的数据帧(265,874 x 30),有三个明智的组:年龄类别(1-6),日期(5479这样)和地理位置(总共4个).每条记录包括每个记录中的一个选项,以及27个计数变量.我想按每个分组变量进行分组,然后对得到的子分组27个变量进行colSums.我一直在尝试使用dplyr(v0.2)来做这件事,因为手动执行它最终会设置很多冗余的东西(或者通过循环来迭代分组选项,因为缺乏优雅的解决方案) .

示例代码:

countData <- sample(0:10, 2000, replace = TRUE)
dates <- sample(seq(as.Date("2010/1/1"), as.Date("2010/01/30"), "days"), 200, replace = TRUE)
locality <- sample(1:2, 2000, replace = TRUE)
ageCat <- sample(1:2, 2000, replace = TRUE)
sampleDF <- data.frame(dates, locality, ageCat, matrix(countData, nrow = 200, ncol = 10))

然后我想做的是......

library("dplyr")
sampleDF %.% group_by(locality, ageCat, dates) %.% do(colSums(.[, -(1:3)]))

但这并不常用,因为colSums()的结果不是数据帧.如果我施展它,它的工作原理:

sampleDF %.% group_by(locality, ageCat, dates) %.% do(data.frame(matrix(colSums(.[, -(1:3)]), nrow = 1, ncol = 10)))

但最后的做(...)位看起来非常笨重.

关于如何更优雅或有效地做到这一点的任何想法？我想这个问题归结为:如何最好地使用do()函数和.运算符通过colSums汇总数据框.

注意:do(.)运算符仅适用于dplyr 0.2,因此您需要从GitHub(链接)中获取它,而不是从CRAN中获取它.

编辑:建议的结果

三种解决方案:

1. 我在帖子中的建议:已过去,146.765秒.

2. @joran的建议如下:6.902秒

3. @ eddi在评论中的建议,使用data.table:6.715秒.

我没有费心去复制,只是使用system.time()来获得粗略的衡量标准.从它的外观来看,dplyr和data.table在我的数据集上执行大致相同,并且当我正确使用时,两者都比我昨天提出的黑客解决方案快得多.

Answer 1

除非我遗漏了什么,否则这似乎是一种工作summarise_each(colwise来自plyr的一种类比):

sampleDF %.% group_by(locality, ageCat, dates) %.% summarise_each(funs(sum))

默认情况下,分组列不包含在汇总功能中,您只能选择列的子集以使用与使用时相同的技术来应用这些功能select.

(据我所知,在dplyr的summarise_each 0.2版本中,但在0.1.3中没有.)

Answer 2

这是@joran在2014年提出的一个很好的答案。

现在不推荐使用此方法。相反，请使用summarize_all()或summarize_at()。