Resumen de dplyr: Equivalente de ".drop = FALSE" para mantener los grupos con longitud cero en la salida

Cuando se utiliza la función de summarisewith , las categorías vacías se eliminan de forma predeterminada. Puede cambiar este comportamiento agregando . Sin embargo, esto no funciona cuando se usa con . ¿Existe otra forma de mantener categorías vacías en el resultado?plyrddply.drop = FALSEsummarisedplyr

Aquí tienes un ejemplo con datos falsos.

library(dplyr)

df = data.frame(a=rep(1:3,4), b=rep(1:2,6))

# Now add an extra level to df$b that has no corresponding value in df$a
df$b = factor(df$b, levels=1:3)

# Summarise with plyr, keeping categories with a count of zero
plyr::ddply(df, "b", summarise, count_a=length(a), .drop=FALSE)

  b    count_a
1 1    6
2 2    6
3 3    0

# Now try it with dplyr
df %.%
  group_by(b) %.%
  summarise(count_a=length(a), .drop=FALSE)

  b     count_a .drop
1 1     6       FALSE
2 2     6       FALSE

No es exactamente lo que esperaba. ¿Existe algún dplyrmétodo para lograr el mismo resultado que .drop=FALSEen plyr?

Dado que dplyr 0.8 group_by obtuvo el .dropargumento que hace exactamente lo que solicitó:

df = data.frame(a=rep(1:3,4), b=rep(1:2,6))
df$b = factor(df$b, levels=1:3)

df %>%
  group_by(b, .drop=FALSE) %>%
  summarise(count_a=length(a))

#> # A tibble: 3 x 2
#>   b     count_a
#>   <fct>   <int>
#> 1 1           6
#> 2 2           6
#> 3 3           0

Una nota adicional para acompañar la respuesta de @ Moody_Mudskipper: el uso .drop=FALSEpuede dar resultados potencialmente inesperados cuando una o más variables de agrupación no están codificadas como factores. Vea ejemplos a continuación:

library(dplyr)
data(iris)

# Add an additional level to Species
iris$Species = factor(iris$Species, levels=c(levels(iris$Species), "empty_level"))

# Species is a factor and empty groups are included in the output
iris %>% group_by(Species, .drop=FALSE) %>% tally

#>   Species         n
#> 1 setosa         50
#> 2 versicolor     50
#> 3 virginica      50
#> 4 empty_level     0

# Add character column
iris$group2 = c(rep(c("A","B"), 50), rep(c("B","C"), each=25))

# Empty groups involving combinations of Species and group2 are not included in output
iris %>% group_by(Species, group2, .drop=FALSE) %>% tally

#>   Species     group2     n
#> 1 setosa      A         25
#> 2 setosa      B         25
#> 3 versicolor  A         25
#> 4 versicolor  B         25
#> 5 virginica   B         25
#> 6 virginica   C         25
#> 7 empty_level <NA>       0

# Turn group2 into a factor
iris$group2 = factor(iris$group2)

# Now all possible combinations of Species and group2 are included in the output, 
#  whether present in the data or not
iris %>% group_by(Species, group2, .drop=FALSE) %>% tally

#>    Species     group2     n
#>  1 setosa      A         25
#>  2 setosa      B         25
#>  3 setosa      C          0
#>  4 versicolor  A         25
#>  5 versicolor  B         25
#>  6 versicolor  C          0
#>  7 virginica   A          0
#>  8 virginica   B         25
#>  9 virginica   C         25
#> 10 empty_level A          0
#> 11 empty_level B          0
#> 12 empty_level C          0

Created on 2019-03-13 by the reprex package (v0.2.1)

El problema aún está abierto, pero mientras tanto, especialmente porque sus datos ya están factorizados, puede usar completefrom "tidyr" para obtener lo que podría estar buscando:

library(tidyr)
df %>%
  group_by(b) %>%
  summarise(count_a=length(a)) %>%
  complete(b)
# Source: local data frame [3 x 2]
# 
#        b count_a
#   (fctr)   (int)
# 1      1       6
# 2      2       6
# 3      3      NA

Si desea que el valor de reemplazo sea cero, debe especificarlo con fill:

df %>%
  group_by(b) %>%
  summarise(count_a=length(a)) %>%
  complete(b, fill = list(count_a = 0))
# Source: local data frame [3 x 2]
# 
#        b count_a
#   (fctr)   (dbl)
# 1      1       6
# 2      2       6
# 3      3       0

solución dplyr:

Primero haz df agrupado

by_b <- tbl_df(df) %>% group_by(b)

luego resumimos esos niveles que ocurren contando con n()

res <- by_b %>% summarise( count_a = n() )

luego fusionamos nuestros resultados en un marco de datos que contiene todos los niveles de factores:

expanded_res <- left_join(expand.grid(b = levels(df$b)),res)

finalmente, en este caso, dado que estamos viendo recuentos, los NAvalores se cambian a 0.

final_counts <- expanded_res[is.na(expanded_res)] <- 0

Esto también se puede implementar funcionalmente, vea las respuestas: ¿ Agregar filas a datos agrupados con dplyr?

Un truco:

Pensé que publicaría un truco terrible que funciona en este caso por el interés. Dudo seriamente que realmente group_by()debas hacer esto, pero muestra cómo genera los atributos como si df$bfuera un vector de caracteres, no un factor con niveles. Además, no pretendo entender esto correctamente, pero espero que esto me ayude a aprender, ¡esta es la única razón por la que lo estoy publicando!

by_b <- tbl_df(df) %>% group_by(b)

definir un valor "fuera de límites" que no puede existir en el conjunto de datos.

oob_val <- nrow(by_b)+1

modificar atributos a "truco" summarise():

attr(by_b, "indices")[[3]] <- rep(NA,oob_val)
attr(by_b, "group_sizes")[3] <- 0
attr(by_b, "labels")[3,] <- 3

haz el resumen:

res <- by_b %>% summarise(count_a = n())

indexar y reemplazar todas las apariciones de oob_val

res[res == oob_val] <- 0

que da lo previsto:

> res
Source: local data frame [3 x 2]

b count_a
1 1       6
2 2       6
3 3       0

esto no es exactamente lo que se preguntó en la pregunta, pero al menos para este ejemplo simple, podría obtener el mismo resultado usando xtabs, por ejemplo:

usando dplyr:

df %>%
  xtabs(formula = ~ b) %>%
  as.data.frame()

o más corto:

as.data.frame(xtabs( ~ b, df))

resultado (igual en ambos casos):

  b Freq
1 1    6
2 2    6
3 3    0