Agrupe por várias colunas no dplyr, usando a entrada de vetor de sequência

Estou tentando transferir meu entendimento do plyr para o dplyr, mas não consigo descobrir como agrupar por várias colunas.

# make data with weird column names that can't be hard coded
data = data.frame(
  asihckhdoydkhxiydfgfTgdsx = sample(LETTERS[1:3], 100, replace=TRUE),
  a30mvxigxkghc5cdsvxvyv0ja = sample(LETTERS[1:3], 100, replace=TRUE),
  value = rnorm(100)
)

# get the columns we want to average within
columns = names(data)[-3]

# plyr - works
ddply(data, columns, summarize, value=mean(value))

# dplyr - raises error
data %.%
  group_by(columns) %.%
  summarise(Value = mean(value))
#> Error in eval(expr, envir, enclos) : index out of bounds

O que estou perdendo para traduzir o exemplo plyr em uma sintaxe do tipo dplyr?

Edit 2017 : Dplyr foi atualizado, então uma solução mais simples está disponível. Veja a resposta atualmente selecionada.

Desde que esta pergunta foi publicada, o dplyr adicionou versões com escopo de group_by( documentação aqui ). Isso permite que você use as mesmas funções que usaria select, da seguinte forma:

data = data.frame(
    asihckhdoydkhxiydfgfTgdsx = sample(LETTERS[1:3], 100, replace=TRUE),
    a30mvxigxkghc5cdsvxvyv0ja = sample(LETTERS[1:3], 100, replace=TRUE),
    value = rnorm(100)
)

# get the columns we want to average within
columns = names(data)[-3]

library(dplyr)
df1 <- data %>%
  group_by_at(vars(one_of(columns))) %>%
  summarize(Value = mean(value))

#compare plyr for reference
df2 <- plyr::ddply(data, columns, plyr::summarize, value=mean(value))
table(df1 == df2, useNA = 'ifany')
## TRUE 
##  27 

O resultado da sua pergunta de exemplo é o esperado (veja a comparação do plyr acima e o resultado abaixo):

# A tibble: 9 x 3
# Groups:   asihckhdoydkhxiydfgfTgdsx [?]
  asihckhdoydkhxiydfgfTgdsx a30mvxigxkghc5cdsvxvyv0ja       Value
                     <fctr>                    <fctr>       <dbl>
1                         A                         A  0.04095002
2                         A                         B  0.24943935
3                         A                         C -0.25783892
4                         B                         A  0.15161805
5                         B                         B  0.27189974
6                         B                         C  0.20858897
7                         C                         A  0.19502221
8                         C                         B  0.56837548
9                         C                         C -0.22682998

Observe que, como dplyr::summarizeapenas retira uma camada de agrupamento de cada vez, você ainda tem alguns agrupamentos na mistura resultante (que às vezes pode pegar as pessoas de surpresa posteriormente). Se você deseja estar absolutamente seguro de comportamentos inesperados de agrupamento, sempre poderá adicionar %>% ungroupao seu pipeline depois de resumir.

Para escrever o código na íntegra, aqui está uma atualização da resposta de Hadley com a nova sintaxe:

library(dplyr)

df <-  data.frame(
    asihckhdoydk = sample(LETTERS[1:3], 100, replace=TRUE),
    a30mvxigxkgh = sample(LETTERS[1:3], 100, replace=TRUE),
    value = rnorm(100)
)

# Columns you want to group by
grp_cols <- names(df)[-3]

# Convert character vector to list of symbols
dots <- lapply(grp_cols, as.symbol)

# Perform frequency counts
df %>%
    group_by_(.dots=dots) %>%
    summarise(n = n())

resultado:

Source: local data frame [9 x 3]
Groups: asihckhdoydk

  asihckhdoydk a30mvxigxkgh  n
1            A            A 10
2            A            B 10
3            A            C 13
4            B            A 14
5            B            B 10
6            B            C 12
7            C            A  9
8            C            B 12
9            C            C 10

O suporte para isso no dplyr é atualmente bastante fraco, eventualmente acho que a sintaxe será algo como:

df %.% group_by(.groups = c("asdfgfTgdsx", "asdfk30v0ja"))

Mas isso provavelmente não estará lá por um tempo (porque eu preciso pensar em todas as consequências).

Enquanto isso, você pode usar regroup(), o que leva uma lista de símbolos:

library(dplyr)

df <-  data.frame(
  asihckhdoydk = sample(LETTERS[1:3], 100, replace=TRUE),
  a30mvxigxkgh = sample(LETTERS[1:3], 100, replace=TRUE),
  value = rnorm(100)
)

df %.%
  regroup(list(quote(asihckhdoydk), quote(a30mvxigxkgh))) %.%
  summarise(n = n())

Se você tiver um vetor de caracteres de nomes de colunas, poderá convertê-los na estrutura correta com lapply()eas.symbol() :

vars <- setdiff(names(df), "value")
vars2 <- lapply(vars, as.symbol)

df %.% regroup(vars2) %.% summarise(n = n())

A especificação de sequência de colunas em dplyragora é suportada por variantes das dplyrfunções com nomes terminando em um sublinhado. Por exemplo, correspondente à group_byfunção, existe uma group_by_função que pode receber argumentos de string. Esta vinheta descreve a sintaxe dessas funções em detalhes.

O fragmento a seguir resolve de maneira clara o problema que o @sharoz originalmente colocou (observe a necessidade de escrever o .dotsargumento):

# Given data and columns from the OP

data %>%
    group_by_(.dots = columns) %>%
    summarise(Value = mean(value))

(Observe que o dplyr agora usa o %>%operador e %.%está obsoleto).

Até o dplyr ter suporte total para argumentos de string, talvez essa essência seja útil:

https://gist.github.com/skranz/9681509

Ele contém várias funções de wrapper, como s_group_by, s_mutate, s_filter, etc. que usam argumentos de string. Você pode misturá-los com as funções normais do dplyr. Por exemplo

cols = c("cyl","gear")
mtcars %.%
  s_group_by(cols) %.%  
  s_summarise("avdisp=mean(disp), max(disp)") %.%
  arrange(avdisp)

Funciona se você passar os objetos (bem, você não é, mas ...), e não como um vetor de caractere:

df %.%
    group_by(asdfgfTgdsx, asdfk30v0ja) %.%
    summarise(Value = mean(value))

> df %.%
+   group_by(asdfgfTgdsx, asdfk30v0ja) %.%
+   summarise(Value = mean(value))
Source: local data frame [9 x 3]
Groups: asdfgfTgdsx

  asdfgfTgdsx asdfk30v0ja        Value
1           A           C  0.046538002
2           C           B -0.286359899
3           B           A -0.305159419
4           C           A -0.004741504
5           B           B  0.520126476
6           C           C  0.086805492
7           B           C -0.052613078
8           A           A  0.368410146
9           A           B  0.088462212

onde dfestava seudata .

?group_by diz:

 ...: variables to group by. All tbls accept variable names, some
      will also accept functons of variables. Duplicated groups
      will be silently dropped.

que eu interpreto para significar não as versões dos nomes dos personagens, mas como você se referiria a eles foo$bar; barnão é citado aqui. Ou como você se referiria às variáveis ​​em uma fórmula:foo ~ bar .

O @Arun também menciona que você pode fazer:

df %.%
    group_by("asdfgfTgdsx", "asdfk30v0ja") %.%
    summarise(Value = mean(value))

Mas você não pode passar algo que não avaliado é o nome de uma variável no objeto de dados.

Suponho que isso se deva aos métodos internos que Hadley está usando para procurar as coisas que você passa através do ...argumento.

data = data.frame(
  my.a = sample(LETTERS[1:3], 100, replace=TRUE),
  my.b = sample(LETTERS[1:3], 100, replace=TRUE),
  value = rnorm(100)
)

group_by(data,newcol=paste(my.a,my.b,sep="_")) %>% summarise(Value=mean(value))

Um caso (minúsculo) que está faltando nas respostas aqui, que eu queria tornar explícito, é quando as variáveis ​​a serem agrupadas são geradas dinamicamente no meio do caminho em um pipeline:

library(wakefield)
df_foo = r_series(rnorm, 10, 1000)
df_foo %>% 
  # 1. create quantized versions of base variables
  mutate_each(
    funs(Quantized = . > 0)
  ) %>% 
  # 2. group_by the indicator variables
  group_by_(
    .dots = grep("Quantized", names(.), value = TRUE)
    ) %>% 
  # 3. summarize the base variables
  summarize_each(
    funs(sum(., na.rm = TRUE)), contains("X_")
  )

Isso basicamente mostra como usar grepem conjunto com group_by_(.dots = ...)para conseguir isso.

Exemplo geral de uso do .dotsargumento como entrada de vetor de caracteres para a dplyr::group_byfunção:

iris %>% 
    group_by(.dots ="Species") %>% 
    summarise(meanpetallength = mean(Petal.Length))

Ou sem um nome codificado para a variável de agrupamento (conforme solicitado pelo OP):

iris %>% 
    group_by(.dots = names(iris)[5]) %>% 
    summarise_at("Petal.Length", mean)

Com o exemplo do OP:

data %>% 
    group_by(.dots =names(data)[-3]) %>% 
    summarise_at("value", mean)

Veja também a vinheta dplyr sobre programação, que explica pronomes, quase-cotação, quosures e tidyeval.