首页
/ dplyr中按组重新缩放变量的规范方法

dplyr中按组重新缩放变量的规范方法

2025-06-10 14:31:53作者:史锋燃Gardner

在数据分析和处理过程中,经常需要对数据进行按组标准化或重新缩放。本文探讨了在dplyr框架下实现这一功能的规范方法,并分析了常见的误区和解决方案。

问题背景

在数据分析中,我们经常需要按组对变量进行重新缩放,例如将每个组内的变量除以其均值。这种操作在数据预处理和特征工程中非常常见。在R生态系统中,data.table、base R和plyr等包都有各自的实现方式。

各包实现对比

  1. data.table实现
penguins[,
  by = species,
  names(.SD) := lapply(.SD, \(x) x / mean(x)), .SDcols = patterns("^bill_")
]
  1. base R实现
cols <- grepv("^bill_", names(penguins))
penguins |>
  split(~species) |>
  lapply(\(x) { x[cols] <- lapply(x[cols], \(y) y / mean(y)); x}) |>
  do.call(what = rbind)
  1. plyr实现
cols <- grepv("^bill_", names(penguins))
ddply(penguins, .(species), \(x) {x[cols] <- x[lapply(x[cols], \(y) y / mean(y)); x})

dplyr的正确实现

在dplyr中,正确的做法是使用mutate()函数结合.by参数:

penguins |> 
  mutate(
    .by = species,
    across(
      .cols = starts_with("bill_"),
      .fns = ~.x / mean(.x, na.rm = TRUE)
    )
  )

常见误区分析

  1. 错误使用summarize: 许多用户会误用summarize()函数,因为它在按组操作时更常见。然而,summarize()会减少数据行数,而我们需要的是保持原始行数。

  2. 忽略mutate的.by参数: 由于.by参数不在泛型函数签名中,部分用户可能不知道mutate()支持这一功能。

  3. 混淆reframe和mutatereframe()是dplyr 1.1.0引入的新函数,用于返回任意大小的结果,不适合保持原始数据结构的操作。

高级应用场景

当需要结合其他复杂操作时,如使用spline()函数计算样条曲线,需要注意:

penguins |>
  summarize(
    .by = species,
    spline = data.frame(spline(bill_len, bill_dep, n=4L))

但如果错误地尝试同时保留原始列和计算结果,会导致"subscript out of bounds"错误。这种情况下,应该考虑分步操作或使用更合适的函数组合。

总结

在dplyr中按组重新缩放变量时,mutate()配合.by参数是最规范的方法。理解dplyr各核心函数的用途和区别对于编写高效、清晰的代码至关重要。对于复杂操作,建议先理解数据流,再选择合适的函数组合。

dplyr提供了丰富的文档和智能提示功能,包括动态方法跳转和参数自动补全,充分利用这些功能可以避免许多常见错误。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.96 K
kernelkernel
deepin linux kernel
C
22
6
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
431
34
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
251
9
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
989
394
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
936
554
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
69