如何将多个列传递给dplyr :: summarize中的函数

2023年12月22日 221次阅读

我试图将符合条件的data.frame中的所有列传递给dplyr的汇总函数中的函数,如下所示：

df %>% group_by(Version, Type) %>%
  summarize(mcll(TrueClass, starts_with("pred")))

Error: argument is of length zero

有没有办法做到这一点？一个工作示例如下：

构建模拟数据框架的样本预测.这些被解释为分类算法的输出.

library(dplyr)
nrow <- 40
ncol <- 4
set.seed(567879)

getProbs <- function(i) {
  p <- runif(i)
  return(p / sum(p))
}
df <- data.frame(matrix(NA, nrow, ncol))
for (i in seq(nrow)) df[i, ] <- getProbs(ncol)
names(df) <- paste0("pred.", seq(ncol))

添加一个指示真实类的列

df$TrueClass <- factor(ceiling(runif(nrow, min = 0, max = ncol)))

为子设置添加分类列

df$Type <- c(rep("a", nrow / 2), rep("b", nrow / 2))
df$Version <-  rep(1:4, times = nrow / 4)

现在我想使用下面的函数计算这些预测的多类LogLoss：

mcll <- function (act, pred) 
{
  if (class(act) != "factor") {
    stop("act must be a factor")
  }
  pred[pred == 0] <- 1e-15
  pred[pred == 1] <- 1 - 1e-15
  dummies <- model.matrix(~act - 1)
  if (nrow(dummies) != nrow(pred)) {
    return(0)
  }
  return(-1 * (sum(dummies * log(pred)))/length(act))
}

这可以通过整个数据集轻松完成

act <- df$TrueClass
pred <- df %>% select(starts_with("pred"))
mcll(act, pred)

但我想使用dplyr group_by来计算每个数据子集的mcll

df %>% group_by(Version, Type) %>%
  summarize(mcll(TrueClass, starts_with("pred")))

理想情况下,我可以在不更改mcll()函数的情况下执行此操作,但如果它简化了其他代码,我愿意这样做.

谢谢！

编辑：请注意,mcll的输入是真值的向量和概率矩阵,每个“pred”列有一列.对于每个数据子集,mcll应返回标量.我可以通过下面的代码得到我想要的东西,但我希望在dplyr的上下文中有所作为.

mcll_df <- data.frame(matrix(ncol = 3, nrow = 8))
names(mcll_df) <- c("Type", "Version", "mcll")
count = 1
for (ver in unique(df$Version)) {
  for (type in unique(df$Type)) {
    subdat <- df %>% filter(Type == type & Version == ver)
    val <- mcll(subdat$TrueClass, subdat %>% select(starts_with("pred")))
    mcll_df[count, ] <- c(Type = type, Version = ver, mcll = val)
    count = count + 1
  }
}
head(mcll_df)
  Type Version             mcll
1    a       1 1.42972507510096
2    b       1 1.97189000832723
3    a       2 1.97988830406062
4    b       2 1.21387875938737
5    a       3 1.30629638026735
6    b       3 1.48799237895462

最佳答案 这很容易使用data.table：

library(data.table)

setDT(df)[, mcll(TrueClass, .SD), by = .(Version, Type), .SDcols = grep("^pred", names(df))] 
#   Version Type       V1
#1:       1    a 1.429725
#2:       2    a 1.979888
#3:       3    a 1.306296
#4:       4    a 1.668330
#5:       1    b 1.971890
#6:       2    b 1.213879
#7:       3    b 1.487992
#8:       4    b 1.171286
点赞