Agrupe por varias columnas en dplyr, usando la entrada de vector de cadena

Estoy tratando de transferir mi comprensión de plyr a dplyr, pero no puedo entender cómo agrupar por múltiples columnas.

# 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

¿Qué me falta para traducir el ejemplo de plyr en una sintaxis dplyr-esque?

Edición 2017 : Dplyr se ha actualizado, por lo que hay disponible una solución más simple. Ver la respuesta seleccionada actualmente.

Desde que se publicó esta pregunta, dplyr agregó versiones de alcance de group_by( documentación aquí ). Esto le permite usar las mismas funciones que usaría select, así:

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 

El resultado de su pregunta de ejemplo es el esperado (consulte la comparación con plyr arriba y el resultado abajo):

# 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

Tenga en cuenta que dado que dplyr::summarizesolo elimina una capa de agrupación a la vez, todavía tiene algo de agrupación en el tibble resultante (que en ocasiones puede atrapar a las personas por sorpresa más adelante en la línea). Si desea estar absolutamente a salvo del comportamiento de agrupación inesperado, siempre puede agregar %>% ungroupa su canalización después de resumir.

Solo para escribir el código completo, aquí hay una actualización de la respuesta de Hadley con la nueva sintaxis:

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())

salida:

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

El soporte para esto en dplyr es actualmente bastante débil, eventualmente creo que la sintaxis será algo así como:

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

Pero eso probablemente no estará allí por un tiempo (porque necesito pensar en todas las consecuencias).

Mientras tanto, puede usar regroup(), que toma una 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())

Si tiene un vector de caracteres de nombres de columna, puede convertirlos a la estructura correcta con lapply()y as.symbol():

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

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

La especificación de cadenas de columnas dplyrahora se admite a través de variantes de las dplyrfunciones con nombres que terminan en un guión bajo. Por ejemplo, correspondiente a la group_byfunción hay una group_by_función que puede tomar argumentos de cadena. Esta viñeta describe la sintaxis de estas funciones en detalle.

El siguiente fragmento resuelve limpiamente el problema que originalmente planteó @sharoz (tenga en cuenta la necesidad de escribir el .dotsargumento):

# Given data and columns from the OP

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

(Tenga en cuenta que dplyr ahora usa el %>%operador y %.%está en desuso).

Hasta que dplyr tenga soporte completo para los argumentos de cadena, quizás esta esencia es útil:

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

Contiene un montón de funciones de contenedor como s_group_by, s_mutate, s_filter, etc. que usan argumentos de cadena. Puede mezclarlos con las funciones normales de dplyr. Por ejemplo

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

Funciona si le pasas los objetos (bueno, no lo eres, pero ...) en lugar de hacerlo como un vector de caracteres:

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

donde dffue tu data.

?group_by dice:

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

lo que interpreto no significa las versiones de los personajes de los nombres, sino cómo se referiría a ellos en foo$bar; barNo se cita aquí. O cómo le gustaría referirse a variables en una fórmula: foo ~ bar.

@Arun también menciona que puedes hacer:

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

Pero no puede pasar algo que no se haya evaluado no es el nombre de una variable en el objeto de datos.

Supongo que esto se debe a los métodos internos que Hadley está utilizando para buscar las cosas que pasa a través del ...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))

Un caso (pequeño) que falta en las respuestas aquí, que quería hacer explícito, es cuando las variables para agrupar se generan dinámicamente a mitad de camino en una tubería:

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_")
  )

Básicamente, esto muestra cómo usar grepjunto con group_by_(.dots = ...)para lograr esto.

Ejemplo general sobre el uso del .dotsargumento como entrada de vector de caracteres para la dplyr::group_byfunción:

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

O sin un nombre codificado para la variable de agrupación (como lo solicitó el OP):

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

Con el ejemplo del OP:

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

Vea también la viñeta dplyr sobre programación que explica pronombres, cuasiquotación, quosures y tidyeval.