Soma em várias colunas com dplyr

Minha pergunta envolve somar valores em várias colunas de um quadro de dados e criar uma nova coluna correspondente a esse somatório usando dplyr. As entradas de dados nas colunas são binárias (0,1). Estou pensando em um análogo de linha da função summarise_eachou mutate_eachde dplyr. Abaixo está um exemplo mínimo do quadro de dados:

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

Eu poderia usar algo como:

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

mas isso envolveria escrever os nomes de cada uma das colunas. Eu tenho cerca de 50 colunas. Além disso, os nomes das colunas mudam em diferentes iterações do loop em que desejo implementar esta operação, portanto, gostaria de evitar ter de fornecer nomes de coluna.

Como posso fazer isso com mais eficiência? Qualquer ajuda seria muito apreciada.

E se

some cada coluna

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

some cada linha

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

Se você quiser somar apenas algumas colunas, eu usaria algo assim:

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)

Desta forma, você pode usar dplyr::selecta sintaxe de.

Eu usaria correspondência de expressão regular para somar variáveis ​​com determinados nomes de padrão. Por exemplo:

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

Desta forma, você pode criar mais de uma variável como uma soma de certo grupo de variáveis ​​de seu quadro de dados.

Usar reduce()from purrré ligeiramente mais rápido do que rowSumse definitivamente mais rápido do que apply, uma vez que você evita a iteração em todas as linhas e apenas tira proveito das operações vetorizadas:

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

Veja isto para horários

Eu encontro esse problema com frequência, e a maneira mais fácil de fazer isso é usar a apply()função em um mutatecomando.

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))

Aqui você pode usar o que quiser para selecionar as colunas usando os dplyrtruques padrão (por exemplo, starts_with()ou contains()). Fazendo todo o trabalho em um único mutatecomando, essa ação pode ocorrer em qualquer lugar dentro de um dplyrfluxo de etapas de processamento. Finalmente, usando oapply() função, você tem a flexibilidade de usar qualquer resumo de que precisar, incluindo sua própria função de resumo criada para o propósito.

Alternativamente, se a ideia de usar uma função não-tidyverse não for atraente, você pode reunir as colunas, resumi-las e, finalmente, juntar o resultado de volta ao quadro de dados original.

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, . )

Aqui eu usei a starts_with()função para selecionar as colunas e calculei a soma e você pode fazer o que quiser com os NAvalores. A desvantagem dessa abordagem é que, embora seja bastante flexível, ela realmente não se encaixa em um dplyrfluxo de etapas de limpeza de dados.

Em versões mais novas do, dplyrvocê pode usar rowwise()junto com c_acrosspara realizar agregação por linha para funções que não possuem variantes específicas por linha, mas se a variante por linha existir, ela deve ser mais rápida.

Uma vez que rowwise()é apenas uma forma especial de agrupar e alterar a forma como os verbos funcionam, você provavelmente vai querer canalizá-lo paraungroup() após fazer sua operação de linha.

Para selecionar um intervalo de linhas:

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()

Para selecionar linhas por tipo:

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()

No seu caso específico, existe uma variante de linha para que você possa fazer o seguinte (observe o uso de across):

df %>%
  dplyr::mutate(sumrow = rowSums(dplyr::across(x1:x5), na.rm = T))

Para obter mais informações, consulte a página sobre rowwise .