Suma en varias columnas con dplyr

Mi pregunta implica sumar valores en múltiples columnas de un marco de datos y crear una nueva columna correspondiente a esta suma usando dplyr. Las entradas de datos en las columnas son binarias (0,1). Estoy pensando en un análogo de fila de la función summarise_eacho mutate_eachde dplyr. A continuación se muestra un ejemplo mínimo del marco de datos:

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

Podría usar algo como:

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

pero esto implicaría escribir los nombres de cada una de las columnas. Tengo como 50 columnas. Además, los nombres de las columnas cambian en diferentes iteraciones del ciclo en el que quiero implementar esta operación, así que me gustaría intentar evitar tener que dar nombres de columna.

¿Cómo puedo hacer eso de la manera más eficiente? Cualquier ayuda será muy apreciada.

Qué tal si

suma cada columna

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

resumir cada fila

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

Si desea sumar solo ciertas columnas, usaría algo como esto:

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)

De esta forma puede utilizar dplyr::selectla sintaxis de.

Usaría la coincidencia de expresiones regulares para sumar variables con ciertos nombres de patrones. Por ejemplo:

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

De esta manera, puede crear más de una variable como una suma de cierto grupo de variables de su marco de datos.

Me encuentro con este problema a menudo y la forma más sencilla de hacerlo es utilizar la apply()función dentro de un 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))

Aquí puede usar lo que quiera para seleccionar las columnas usando los dplyrtrucos estándar (por ejemplo, starts_with()o contains()). Al hacer todo el trabajo con un solo mutatecomando, esta acción puede ocurrir en cualquier lugar dentro de un dplyrflujo de pasos de procesamiento. Finalmente, al usar la apply()función, tiene la flexibilidad de usar cualquier resumen que necesite, incluida su propia función de resumen diseñada específicamente.

Alternativamente, si la idea de usar una función no tidyverse no es atractiva, entonces puede reunir las columnas, resumirlas y finalmente unir el resultado al marco de datos 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, . )

Aquí usé la starts_with()función para seleccionar las columnas y calculé la suma y puedes hacer lo que quieras con los NAvalores. La desventaja de este enfoque es que, si bien es bastante flexible, realmente no encaja en un dplyrflujo de pasos de limpieza de datos.

Usar reduce()from purrres un poco más rápido rowSumsy definitivamente más rápido que apply, ya que evita iterar sobre todas las filas y simplemente aprovecha las operaciones vectorizadas:

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

Vea esto para los tiempos

En las versiones más recientes dplyr, puede usar rowwise()junto con c_acrosspara realizar agregaciones por filas para funciones que no tienen variantes específicas por filas, pero si existe la variante por filas, debería ser más rápido.

Dado que rowwise()es solo una forma especial de agrupación y cambia la forma en que funcionan los verbos, es probable que desee canalizarlos ungroup()después de realizar la operación de filas.

Para seleccionar un rango de filas:

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 seleccionar filas 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()

En su caso específico, existe una variante por filas para que pueda hacer lo siguiente (tenga en cuenta el uso de en su acrosslugar):

df %>%
  dplyr::mutate(sumrow = rowSums(dplyr::across(x1:x5), na.rm = T))
# %>% dplyr::ungroup() # you'll likely want to ungroup after using rowwise()

Para obtener más información, consulte la página sobre filas .