Понимание трубопровода dplyr и функции подведения итогов

Aug 20 2020

Мне нужна помощь в понимании трубопроводов и суммирования функций с помощью dplyr. Мне кажется, что мой код немного многословен и его можно упростить. Итак, здесь есть пара вопросов, потому что я знаю, что мне не хватает некоторых концепций, но я не совсем уверен, где этот недостаток знаний. Я включил свой полный код внизу. Заранее спасибо, так как это немного больше.

1а. Из приведенного ниже примера данных и с помощью dplyr можно ли рассчитать игры (даты) для каждой команды без использования промежуточной таблицы?

1b. Я включил свой оригинальный способ вычисления n_games, который не работал. Зачем?

set.seed(123)
shot_df_ex <- tibble(Team_Name = sample(LETTERS[1:5],250, replace = TRUE),
                     Date = sample(as.Date(c("2019-08-01",
                                             "2019-09-01",
                                             "2018-08-01",
                                             "2018-09-01",
                                             "2017-08-01",
                                             "2017-09-01")), 
                                   size = 250, replace = TRUE),
                     Type = sample(c("shot","goal"), size = 250, 
                                   replace = TRUE, prob = c(0.9,0.1))
)

# count shots per team per game(date)
n_shots_per_game <- shot_df_ex %>% 
  count(Team_Name,Date)

n_shots_per_game

# count games (dates) per team [ISSUES!!!]
# is there a way to do this piping from the shot_df_ex tibble instead of 
#  using an intermediate tibble?

# count number of games using the tibble created above [DOES NOT WORK--WHY?]
n_games <- n_shots_per_game %>% 
  count(Team_Name)

n_games #what is this counting? It should be 6 for each.

# this works, but isn't count() just a quicker way to run
#  group_by() %>% summarise()? 
n_games <- n_shots_per_game %>% 
  group_by(Team_Name) %>% 
  summarise(N_Games=n())

n_games
  1. Ниже представлен мой процесс создания сводной таблицы. Я понимаю, что конвейер предназначен для исключения создания некоторых промежуточных переменных / таблиц. Где я мог бы объединить шаги ниже, чтобы создать итоговую таблицу с минимальным количеством промежуточных шагов.
# load librarys ------------------------------------------------
library(tidyverse)

# build sample shot data ---------------------------------------
set.seed(123)
shot_df_ex <- tibble(Team_Name = sample(LETTERS[1:5],250, replace = TRUE),
                     Date = sample(as.Date(c("2019-08-01",
                                             "2019-09-01",
                                             "2018-08-01",
                                             "2018-09-01",
                                             "2017-08-01",
                                             "2017-09-01")), 
                                   size = 250, replace = TRUE),
                     Type = sample(c("shot","goal"), size = 250, 
                                   replace = TRUE, prob = c(0.9,0.1))
)

# calculate data ----------------------------------------------
# since every row is a shot, the following function counts shots for ea. team
n_shots <- shot_df_ex %>% 
  count(Team_Name) %>% 
  rename(N_Shots = n)

n_shots

# do the same for goals for each team
n_goals <- shot_df_ex %>% 
  filter(Type == "goal") %>% 
  count(Team_Name,sort = T) %>% 
  rename(N_Goals = n) %>% 
  arrange(Team_Name)

n_goals

# count shots per team per game(date)
n_shots_per_game <- shot_df_ex %>% 
  count(Team_Name,Date)

n_shots_per_game

# count games (dates) per team [ISSUES!!!]
# is there a way to do this piping from the shot_df_ex tibble instead of 
#  using an intermediate tibble?

# count number of games using the tibble created above [DOES NOT WORK]
n_games <- n_shots_per_game %>% 
  count(Team_Name)

n_games #what is this counting? It should be 6 for each.

# this works, but isn't count() just a quicker way to run
#  group_by() %>% summarise()? 
n_games <- n_shots_per_game %>% 
  group_by(Team_Name) %>% 
  summarise(N_Games=n())

n_games

# combine data ------------------------------------------------
# combine columns and add average shots per game
shot_table_ex <- n_games %>% 
  left_join(n_shots) %>% 
  left_join(n_goals)

# final table with final average calculations
shot_table_ex <- shot_table_ex %>% 
  mutate(Shots_per_Game = round(N_Shots / N_Games, 1),
         Goals_per_Game = round(N_Goals / N_Games, 1)) %>% 
  arrange(Team_Name)

shot_table_ex

Ответы

1 stlba Aug 19 2020 at 23:25

Для 1a вы можете просто перенаправить напрямую из функции tibble () в count (). т.е.

tibble(Team_Name = sample(LETTERS[1:5],250, replace = TRUE),
       Date = sample(as.Date(c("2019-08-01",
                               "2019-09-01",
                               "2018-08-01",
                               "2018-09-01",
                               "2017-08-01",
                               "2017-09-01")), 
                     size = 250, replace = TRUE),
       Type = sample(c("shot","goal"), size = 250, 
                     replace = TRUE, prob = c(0.9,0.1))) %>%
count(Team_Name,Date)

В 1b count () использует ваш столбец n(то есть количество выстрелов) в качестве весовой переменной, поэтому суммирует общее количество выстрелов на команду, а не количество строк. Он печатает сообщение об этом:

Using `n` as weighting variable i Quiet this message with `wt = n` or count rows with `wt = 1`

Использование count(Team_Name, wt=n())даст вам желаемое поведение.

Изменить: часть 2

shot_table_ex <- tibble(Team_Name = sample(LETTERS[1:5],250, replace = TRUE),
                    Date = sample(as.Date(c("2019-08-01",
                                            "2019-09-01",
                                            "2018-08-01",
                                            "2018-09-01",
                                            "2017-08-01",
                                            "2017-09-01")), 
                                  size = 250, replace = TRUE),
                    Type = sample(c("shot","goal"), size = 250, 
                                  replace = TRUE, prob = c(0.9,0.1))) %>%
     group_by(Team_Name) %>%
     summarise(n_shots = n(),
               n_goals = sum(Type == "goal"),
               n_games = n_distinct(Date)) %>%
     mutate(Shots_per_Game = round(n_shots / n_games, 1),
            Goals_per_Game = round(n_goals / n_games, 1))
1 GenesRus Aug 19 2020 at 23:36

1а. Из приведенного ниже примера данных и с помощью dplyr можно ли рассчитать игры (даты) для каждой команды без использования промежуточной таблицы?

Вот как бы я это сделал:

shot_df_ex %>% 
  distinct(Team_Name, Date) %>% #Keeps only the cols given and one of each combo
  count(Team_Name)

Вы также можете использовать уникальные:

shot_df_ex %>% 
  group_by(Team_Name) %>%
  summarize(N_Games = length(unique(Date))

1b. Я включил свой оригинальный способ вычисления n_games, который не работал. Зачем?

Ваш код работает на меня. Возможно, вы сэкономили на промежуточном столе? Считается ожидаемое 6 на команду.

  1. Ниже представлен мой процесс создания сводной таблицы. Я понимаю, что конвейер предназначен для исключения создания некоторых промежуточных переменных / таблиц. Где я могу совместить шаги, указанные ниже, чтобы создать итоговую таблицу с минимальным количеством промежуточных шагов?
shot_df_ex %>% 
  group_by(Team_Name) %>% 
  summarize(
    N_Games = length(unique(Date)),
    N_Shots = sum(Type == "shot"),
    N_Goals = sum(Type == "goal")
  ) %>% 
  mutate(Shots_per_Game = round(N_Shots / N_Games, 1),
         Goals_per_Game = round(N_Goals / N_Games, 1))

Вы можете использовать несколько этапов суммирования одновременно, если вам не нужно менять группировку. Здесь (в sumвызовах) мы пользуемся преимуществом интерпретации True как 1 и False как 0. lengthКонечно, мы получим длину вектора, созданного unique.

this (count) работает, но разве count () не просто более быстрый способ запустить group_by ()%>% summarize ()?

countэто просто комбинация, group_by(col) %>% tally()и по сути, summarize(x=n())так что да. :)