dplyr :: Как можно мутировать, используя ссылки на переменные в функции?

Question

Может кто-нибудь сказать мне, как передать вектор с именами аргумента в функцию, используя dplyr?

library("dplyr", quietly = TRUE, warn.conflicts = FALSE) # version 0.8.0.1

# Does not work
iris %>% rowwise() %>%  mutate(v1 = mean( as.name(names(iris)[-5]) ) )
iris %>% rowwise() %>%  mutate(v1 = mean( !!(names(iris)[-5]) ) )
iris %>% rowwise() %>%  mutate(v1 = mean( enquo(names(iris)[-5]) ) )
iris %>% rowwise() %>%  
mutate(v1 = mean( c("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width")  ) )

# This works and is the intended result
iris %>% rowwise() %>%  
mutate(v1 = mean( c(Sepal.Length, Sepal.Width, Petal.Length, Petal.Width )  ) )

Смысл в том, чтобы функция (среднее или любая функция) работала с names(iris)[-5] или вектором с именами переменных .

Я посмотрел здесь без успеха: dplyr mutate_each_ стандартная оценка ; dplyr: стандартная оценка и enquo ()

Информация о моей сессии:

R version 3.5.3 (2019-03-11)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 17763)

Matrix products: default

locale:
[1] LC_COLLATE=French_France.1252  LC_CTYPE=French_France.1252   
[3] LC_MONETARY=French_France.1252 LC_NUMERIC=C                  
[5] LC_TIME=French_France.1252    

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] ggplot2_3.1.0   visdat_0.5.3    lubridate_1.7.4 naniar_0.4.2   
[5] dplyr_0.8.0.1  

loaded via a namespace (and not attached):
 [1] Rcpp_1.0.1       rstudioapi_0.10  magrittr_1.5     tidyselect_0.2.5
 [5] munsell_0.5.0    colorspace_1.4-0 R6_2.4.0         rlang_0.3.4     
 [9] fansi_0.4.0      stringr_1.4.0    plyr_1.8.4       tools_3.5.3     
[13] grid_3.5.3       packrat_0.5.0    gtable_0.2.0     utf8_1.1.4      
[17] cli_1.1.0        withr_2.1.2      digest_0.6.18    lazyeval_0.2.2  
[21] assertthat_0.2.0 tibble_2.1.1     crayon_1.3.4     tidyr_0.8.3     
[25] purrr_0.3.2      glue_1.3.1       labeling_0.3     stringi_1.4.3   
[29] compiler_3.5.3   pillar_1.3.1     scales_1.0.0     pkgconfig_2.0.2 

Заранее спасибо!

Answer 1

Использование map2_dbl

library(tidyverse)
iris %>% mutate(v1 = map2_dbl(Sepal.Length, Sepal.Width, ~mean(c(.x, .y)))) %>% head

#  Sepal.Length Sepal.Width Petal.Length Petal.Width Species   v1
#1          5.1         3.5          1.4         0.2  setosa 4.30
#2          4.9         3.0          1.4         0.2  setosa 3.95
#3          4.7         3.2          1.3         0.2  setosa 3.95
#4          4.6         3.1          1.5         0.2  setosa 3.85
#5          5.0         3.6          1.4         0.2  setosa 4.30
#6          5.4         3.9          1.7         0.4  setosa 4.65

---

Или, если вы хотите взять mean определенных столбцов.

cols <- c("Sepal.Length", "Sepal.Width")

iris %>% mutate(v1 = rowMeans(.[cols])) %>% head

Answer 2

Мы можем использовать rowMeans в base R

cols <-  c("Sepal.Length", "Sepal.Width")
iris$v1 <- rowMeans(iris[cols])

---

Или в tidyverse

library(tidyverse)
iris %>%
    mutate(v1 = select(., cols)  %>% reduce(`+`)/length(cols)) %>%
    head
#  Sepal.Length Sepal.Width Petal.Length Petal.Width Species   v1
#1          5.1         3.5          1.4         0.2  setosa 4.30
#2          4.9         3.0          1.4         0.2  setosa 3.95
#3          4.7         3.2          1.3         0.2  setosa 3.95
#4          4.6         3.1          1.5         0.2  setosa 3.85
#5          5.0         3.6          1.4         0.2  setosa 4.30
#6          5.4         3.9          1.7         0.4  setosa 4.65

---

Или другой вариант - pmap (должен работать, если имеется более двух столбцов)

iris %>%
      mutate(v1 = pmap_dbl(.[cols], ~ mean(c(...))))

Answer 3

Спасибо @Ronak Shah и @akrun за ваши ответы.Возможно, мой вопрос с самого начала был сформулирован недостаточно хорошо, и его искали pmap:

cols <- names(iris)[-5]

library(dplyr, quietly = TRUE, warn.conflicts = FALSE)

iris %>% mutate(v1 = rowMeans(.[cols])) %>% head # ok with mean per rows
#>   Sepal.Length Sepal.Width Petal.Length Petal.Width Species    v1
#> 1          5.1         3.5          1.4         0.2  setosa 2.550
#> 2          4.9         3.0          1.4         0.2  setosa 2.375
#> 3          4.7         3.2          1.3         0.2  setosa 2.350
#> 4          4.6         3.1          1.5         0.2  setosa 2.350
#> 5          5.0         3.6          1.4         0.2  setosa 2.550
#> 6          5.4         3.9          1.7         0.4  setosa 2.850

# Creating a custom stat function
set.seed(123)
w0 <- rnorm(n = 10)
mystat <- function(x, w = w0[1:length(x)]) sum(x*w)/length(x)

iris[1, cols] %>% mystat # test value
#> [1] -0.3669384

# Tests
iris %>% mutate(v1 = mystat(.[cols])) %>% head # ko
#>   Sepal.Length Sepal.Width Petal.Length Petal.Width Species       v1
#> 1          5.1         3.5          1.4         0.2  setosa 109.1179
#> 2          4.9         3.0          1.4         0.2  setosa 109.1179
#> 3          4.7         3.2          1.3         0.2  setosa 109.1179
#> 4          4.6         3.1          1.5         0.2  setosa 109.1179
#> 5          5.0         3.6          1.4         0.2  setosa 109.1179
#> 6          5.4         3.9          1.7         0.4  setosa 109.1179

library(purrr, quietly = TRUE, warn.conflicts = FALSE)
iris %>% mutate(v1 = map_dbl(list(.[cols]), mystat)) %>% head # ko
#>   Sepal.Length Sepal.Width Petal.Length Petal.Width Species       v1
#> 1          5.1         3.5          1.4         0.2  setosa 109.1179
#> 2          4.9         3.0          1.4         0.2  setosa 109.1179
#> 3          4.7         3.2          1.3         0.2  setosa 109.1179
#> 4          4.6         3.1          1.5         0.2  setosa 109.1179
#> 5          5.0         3.6          1.4         0.2  setosa 109.1179
#> 6          5.4         3.9          1.7         0.4  setosa 109.1179

iris %>% mutate(v1 = pmap_dbl(.[cols], ~ mystat(c(...)))) %>% head # OK mean
#>   Sepal.Length Sepal.Width Petal.Length Petal.Width Species         v1
#> 1          5.1         3.5          1.4         0.2  setosa -0.3669384
#> 2          4.9         3.0          1.4         0.2  setosa -0.3101425
#> 3          4.7         3.2          1.3         0.2  setosa -0.3325953
#> 4          4.6         3.1          1.5         0.2  setosa -0.2348935
#> 5          5.0         3.6          1.4         0.2  setosa -0.3586810
#> 6          5.4         3.9          1.7         0.4  setosa -0.3115633