提问人：littleworth 提问时间：7/19/2019 最后编辑：Tunglittleworth 更新时间：6/11/2022 访问量：10207
如何在 dplyr 中命名group_split输出列表
How to name the list of the group_split output in dplyr
问：
我有以下使用dplyr group_split的过程：
library(tidyverse)
set.seed(1)
iris %>% sample_n(size = 5) %>%
group_by(Species) %>%
group_split()
结果是：
[[1]]
# A tibble: 2 x 5
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
<dbl> <dbl> <dbl> <dbl> <fct>
1 5 3.5 1.6 0.6 setosa
2 5.1 3.8 1.5 0.3 setosa
[[2]]
# A tibble: 2 x 5
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
<dbl> <dbl> <dbl> <dbl> <fct>
1 5.9 3 4.2 1.5 versicolor
2 6.2 2.2 4.5 1.5 versicolor
[[3]]
# A tibble: 1 x 5
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
<dbl> <dbl> <dbl> <dbl> <fct>
1 6.2 3.4 5.4 2.3 virginica
我想实现的是按分组名称（即物种）命名此列表。 产生这个（手工完成）：
$setosa
# A tibble: 2 x 5
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
<dbl> <dbl> <dbl> <dbl> <fct>
1 5 3.5 1.6 0.6 setosa
2 5.1 3.8 1.5 0.3 setosa
$versicolor
# A tibble: 2 x 5
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
<dbl> <dbl> <dbl> <dbl> <fct>
1 5.9 3 4.2 1.5 versicolor
2 6.2 2.2 4.5 1.5 versicolor
$virginica
# A tibble: 1 x 5
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
<dbl> <dbl> <dbl> <dbl> <fct>
1 6.2 3.4 5.4 2.3 virginica
我怎样才能做到这一点？
更新
我尝试了这个新数据，现在的命名称为：Cluster
df <- structure(list(Cluster = c("Cluster9", "Cluster11", "Cluster1",
"Cluster9", "Cluster6", "Cluster12", "Cluster9", "Cluster11",
"Cluster8", "Cluster8"), gene_name = c("Tbc1d8", "Vimp", "Grhpr",
"H1f0", "Zfp398", "Pikfyve", "Ankrd13a", "Fgfr1op2", "Golga7",
"Lars2"), p_value = c(3.46629097620496e-47, 3.16837338947245e-62,
1.55108439059684e-06, 9.46078511685542e-131, 0.000354049720507017,
0.0146807415917158, 1.42799750295289e-38, 2.0697825959399e-08,
4.13777221466668e-06, 3.92889640704683e-184), morans_test_statistic = c(14.3797687352223,
16.6057085487911, 4.66393667525872, 24.301453902967, 3.38642377758137,
2.17859882998961, 12.9350063459509, 5.48479186018979, 4.4579286289179,
28.9144540271157), morans_I = c(0.0814728893885783, 0.0947505609609695,
0.0260671534007409, 0.138921824574569, 0.018764800166045, 0.0119813199210325,
0.0736554862590782, 0.0309849638728409, 0.0250591347318986, 0.165310420808725
), q_value = c(1.57917584337356e-46, 1.62106594498462e-61, 3.43312171446844e-06,
6.99503520654745e-130, 0.000683559649593623, 0.0245476826213791,
5.96116678335584e-38, 4.97603701391971e-08, 8.9649490080526e-06,
3.48152096326702e-183)), row.names = c(NA, -10L), class = c("tbl_df",
"tbl", "data.frame"))
使用 Ronak Shah 的方法，我得到的结果不一致：
df %>% group_split(Cluster) %>% setNames(unique(df$Cluster))
$Cluster9
# A tibble: 1 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster1 Grhpr 0.00000155 4.66 0.0261 0.00000343
$Cluster11
# A tibble: 2 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster11 Vimp 3.17e-62 16.6 0.0948 1.62e-61
2 Cluster11 Fgfr1op2 2.07e- 8 5.48 0.0310 4.98e- 8
$Cluster1
# A tibble: 1 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster12 Pikfyve 0.0147 2.18 0.0120 0.0245
$Cluster6
# A tibble: 1 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster6 Zfp398 0.000354 3.39 0.0188 0.000684
$Cluster12
# A tibble: 2 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster8 Golga7 4.14e- 6 4.46 0.0251 8.96e- 6
2 Cluster8 Lars2 3.93e-184 28.9 0.165 3.48e-183
$Cluster8
# A tibble: 3 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster9 Tbc1d8 3.47e- 47 14.4 0.0815 1.58e- 46
2 Cluster9 H1f0 9.46e-131 24.3 0.139 7.00e-130
3 Cluster9 Ankrd13a 1.43e- 38 12.9 0.0737 5.96e- 38
请注意，其中有。$Cluster9Cluster1
请告知如何去做？
答：
20赞
Ronak Shah
7/19/2019
#1
不确定，如果可以直接完成。一种方法是对数据帧进行采样，然后使用其名称来 .uniquesetNames
library(dplyr)
df <- iris %>% sample_n(size = 5)
df %>%
group_split(Species) %>%
setNames(unique(df$Species))
#$setosa
# A tibble: 1 x 5
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
# <dbl> <dbl> <dbl> <dbl> <fct>
#1 5 3.4 1.5 0.2 setosa
#$versicolor
# A tibble: 1 x 5
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
# <dbl> <dbl> <dbl> <dbl> <fct>
#1 6 3.4 4.5 1.6 versicolor
#$virginica
# A tibble: 3 x 5
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
# <dbl> <dbl> <dbl> <dbl> <fct>
#1 7.3 2.9 6.3 1.8 virginica
#2 6.9 3.1 5.1 2.3 virginica
#3 7.7 3 6.1 2.3 virginica
奇怪的是，它没有直接命名列表，因为它应该是命名列表的替代方案。group_splitbase::split
split(df, df$Species)
该文件说：
group_split（） 的工作方式类似于 base：：split（），但
- 它使用 group_by（） 中的分组结构，因此受数据掩码的约束
- 它不会根据分组来命名列表的元素，因为这通常会丢失信息并且令人困惑。
对于更新的数据集，它不起作用，因为在我们使用的命名时，它以与它们出现的顺序相同的顺序获取数据，而 ，根据其值的递增顺序拆分数据。（所以拆分的顺序是,, ...）克服此问题的一种方法是使用 .uniquegroup_splitCluster1Cluster11Cluster2Clusterfactorlevelsunique
df <- df %>%
mutate(Cluster = factor(Cluster, levels = unique(Cluster)))
df %>%
group_split(Cluster) %>%
setNames(unique(df$Cluster))
或者，如果您不希望它们作为因素
df %>%
group_split(Cluster) %>%
setNames(sort(unique(df$Cluster)))
评论
0赞
littleworth
7/19/2019
谢谢。但我尝试了我的案子（见更新）。命名与所需列不一致。
0赞
J. Doe
8/12/2020
有没有办法在不调用原始数据帧的情况下实现这一点？例如，当您使用 mutate 时，您将 mutated DataFrame 保存在对象中。但是，如果我们有一长串管道，并且我们想避免保存生成的对象，但仍然通过一些不在原始数据帧中但由管道创建的变量来命名表，这可能吗？
1赞
Ronak Shah
8/12/2020
这取决于你的情况，但我认为这应该是可能的。如果变量是在管道中创建的，则可以用于引用对象。可用于引用以前创建的列。..$column_name
1赞
Tung
4/16/2021
来自开发人员：“我们坚信给它起名字是一种反模式，因此这不会发生在 中，但我们确实提供了一些工具，您可以使用它来制作带有名称的自己的版本。github.com/tidyverse/dplyr/issues/4223dplyrdplyr
0赞
Nick
2/25/2020
#2
使用一个循环来访问每个 df 中 Cluster 的唯一元素，然后将它们分配为各自的名称。for
x.names <-NULL
for (i in 1:length(df)){
x.names[i]<-c(unique(df[[i]]$Cluster))
names(df)<-x.names
}
8赞
FB74
4/3/2020
#3
我遇到了同样的问题，并使用了这个 2 步解决方案：
df= df %>% group_by(Cluster)
df= df %>% group_split() %>% set_names(unlist(group_keys(df)))
df$Cluster1
# A tibble: 1 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster1 Grhpr 0.00000155 4.66 0.0261 0.00000343
df$Cluster9
# A tibble: 3 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster9 Tbc1d8 3.47e- 47 14.4 0.0815 1.58e- 46
2 Cluster9 H1f0 9.46e-131 24.3 0.139 7.00e-130
3 Cluster9 Ankrd13a 1.43e- 38 12.9 0.0737 5.96e- 38
评论
2赞
Matias Andina
11/10/2021
如果使用多个列进行分组，则需要而不是interaction(group_keys(df))unlist()
4赞
Kim
10/20/2020
#4
开发人员已经明确表示，他们对提供返回命名列表的选项不感兴趣。同样，我想支持一个功能请求，但旧问题已被锁定在这里。
我想出的一个技巧就是简单地在管道中获取赋值运算符：
library(tidyverse)
iris %>%
sample_n(size = 5) %>%
group_split(Species, .keep = TRUE) %>%
`names<-`({.} %>% map(~ .x$Species[1]) %>% unlist()) %>%
## If you want to discard the grouping variable, do the following step as well
map(~ .x %>% select(-Species))
这不是一个要记住的直观答案，但这会让它整齐地保持在管道内。
22赞
aleksandereiken
3/15/2021
#5
很多好的答案。您也可以执行以下操作：
iris %>% sample_n(size = 5) %>%
split(f = as.factor(.$Species))
这将为您提供：
$setosa
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
4 5.5 3.5 1.3 0.2 setosa
5 5.3 3.7 1.5 0.2 setosa
$versicolor
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
3 5 2.3 3.3 1 versicolor
$virginica
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 7.7 2.6 6.9 2.3 virginica
2 7.2 3.0 5.8 1.6 virginica
也适用于上述数据帧：
df %>%
split(f = as.factor(.$Cluster))
为您提供：
$Cluster1
# A tibble: 1 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster1 Grhpr 0.00000155 4.66 0.0261 0.00000343
$Cluster11
# A tibble: 2 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster11 Vimp 3.17e-62 16.6 0.0948 1.62e-61
2 Cluster11 Fgfr1op2 2.07e- 8 5.48 0.0310 4.98e- 8
$Cluster12
# A tibble: 1 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster12 Pikfyve 0.0147 2.18 0.0120 0.0245
$Cluster6
# A tibble: 1 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster6 Zfp398 0.000354 3.39 0.0188 0.000684
$Cluster8
# A tibble: 2 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster8 Golga7 4.14e- 6 4.46 0.0251 8.96e- 6
2 Cluster8 Lars2 3.93e-184 28.9 0.165 3.48e-183
$Cluster9
# A tibble: 3 x 6
Cluster gene_name p_value morans_test_statistic morans_I q_value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Cluster9 Tbc1d8 3.47e- 47 14.4 0.0815 1.58e- 46
2 Cluster9 H1f0 9.46e-131 24.3 0.139 7.00e-130
3 Cluster9 Ankrd13a 1.43e- 38 12.9 0.0737 5.96e- 38
9赞
Tung
4/16/2021
#6
如果要将数据框拆分为多个组并具有命名列表，则 tidytable 包具有用于此的 group_split.（） 函数。
### pacman will check and install missing packages if needed
if (!require("pacman")) install.packages("pacman")
pacman::p_load(gapminder)
pacman::p_load(tidytable)
按一组拆分。使用以下选项将组保留在数据框中.keep
gapminder_split_1group <- gapminder %>%
group_split.(continent, .keep = FALSE, .named = TRUE)
gapminder_split_1group
#> $Asia
#> # A tidytable: 396 x 5
#> country year lifeExp pop gdpPercap
#> <fct> <int> <dbl> <int> <dbl>
#> 1 Afghanistan 1952 28.8 8425333 779.
#> 2 Afghanistan 1957 30.3 9240934 821.
#> 3 Afghanistan 1962 32.0 10267083 853.
#> 4 Afghanistan 1967 34.0 11537966 836.
#> 5 Afghanistan 1972 36.1 13079460 740.
#> 6 Afghanistan 1977 38.4 14880372 786.
#> 7 Afghanistan 1982 39.9 12881816 978.
#> 8 Afghanistan 1987 40.8 13867957 852.
#> 9 Afghanistan 1992 41.7 16317921 649.
#> 10 Afghanistan 1997 41.8 22227415 635.
#> # ... with 386 more rows
#>
#> $Europe
#> # A tidytable: 360 x 5
#> country year lifeExp pop gdpPercap
#> <fct> <int> <dbl> <int> <dbl>
#> 1 Albania 1952 55.2 1282697 1601.
#> 2 Albania 1957 59.3 1476505 1942.
#> 3 Albania 1962 64.8 1728137 2313.
#> 4 Albania 1967 66.2 1984060 2760.
#> 5 Albania 1972 67.7 2263554 3313.
#> 6 Albania 1977 68.9 2509048 3533.
#> 7 Albania 1982 70.4 2780097 3631.
#> 8 Albania 1987 72 3075321 3739.
#> 9 Albania 1992 71.6 3326498 2497.
#> 10 Albania 1997 73.0 3428038 3193.
#> # ... with 350 more rows
#>
#> $Africa
#> # A tidytable: 624 x 5
#> country year lifeExp pop gdpPercap
#> <fct> <int> <dbl> <int> <dbl>
#> 1 Algeria 1952 43.1 9279525 2449.
#> 2 Algeria 1957 45.7 10270856 3014.
#> 3 Algeria 1962 48.3 11000948 2551.
#> 4 Algeria 1967 51.4 12760499 3247.
#> 5 Algeria 1972 54.5 14760787 4183.
#> 6 Algeria 1977 58.0 17152804 4910.
#> 7 Algeria 1982 61.4 20033753 5745.
#> 8 Algeria 1987 65.8 23254956 5681.
#> 9 Algeria 1992 67.7 26298373 5023.
#> 10 Algeria 1997 69.2 29072015 4797.
#> # ... with 614 more rows
#>
#> $Americas
#> # A tidytable: 300 x 5
#> country year lifeExp pop gdpPercap
#> <fct> <int> <dbl> <int> <dbl>
#> 1 Argentina 1952 62.5 17876956 5911.
#> 2 Argentina 1957 64.4 19610538 6857.
#> 3 Argentina 1962 65.1 21283783 7133.
#> 4 Argentina 1967 65.6 22934225 8053.
#> 5 Argentina 1972 67.1 24779799 9443.
#> 6 Argentina 1977 68.5 26983828 10079.
#> 7 Argentina 1982 69.9 29341374 8998.
#> 8 Argentina 1987 70.8 31620918 9140.
#> 9 Argentina 1992 71.9 33958947 9308.
#> 10 Argentina 1997 73.3 36203463 10967.
#> # ... with 290 more rows
#>
#> $Oceania
#> # A tidytable: 24 x 5
#> country year lifeExp pop gdpPercap
#> <fct> <int> <dbl> <int> <dbl>
#> 1 Australia 1952 69.1 8691212 10040.
#> 2 Australia 1957 70.3 9712569 10950.
#> 3 Australia 1962 70.9 10794968 12217.
#> 4 Australia 1967 71.1 11872264 14526.
#> 5 Australia 1972 71.9 13177000 16789.
#> 6 Australia 1977 73.5 14074100 18334.
#> 7 Australia 1982 74.7 15184200 19477.
#> 8 Australia 1987 76.3 16257249 21889.
#> 9 Australia 1992 77.6 17481977 23425.
#> 10 Australia 1997 78.8 18565243 26998.
#> # ... with 14 more rows
分为 2 组
gapminder_split_2group <- gapminder %>%
group_split.(continent, country, .keep = FALSE, .named = TRUE)
head(gapminder_split_2group)
#> $Asia.Afghanistan
#> # A tidytable: 12 x 4
#> year lifeExp pop gdpPercap
#> <int> <dbl> <int> <dbl>
#> 1 1952 28.8 8425333 779.
#> 2 1957 30.3 9240934 821.
#> 3 1962 32.0 10267083 853.
#> 4 1967 34.0 11537966 836.
#> 5 1972 36.1 13079460 740.
#> 6 1977 38.4 14880372 786.
#> 7 1982 39.9 12881816 978.
#> 8 1987 40.8 13867957 852.
#> 9 1992 41.7 16317921 649.
#> 10 1997 41.8 22227415 635.
#> 11 2002 42.1 25268405 727.
#> 12 2007 43.8 31889923 975.
#>
#> $Europe.Albania
#> # A tidytable: 12 x 4
#> year lifeExp pop gdpPercap
#> <int> <dbl> <int> <dbl>
#> 1 1952 55.2 1282697 1601.
#> 2 1957 59.3 1476505 1942.
#> 3 1962 64.8 1728137 2313.
#> 4 1967 66.2 1984060 2760.
#> 5 1972 67.7 2263554 3313.
#> 6 1977 68.9 2509048 3533.
#> 7 1982 70.4 2780097 3631.
#> 8 1987 72 3075321 3739.
#> 9 1992 71.6 3326498 2497.
#> 10 1997 73.0 3428038 3193.
#> 11 2002 75.7 3508512 4604.
#> 12 2007 76.4 3600523 5937.
#>
#> $Africa.Algeria
#> # A tidytable: 12 x 4
#> year lifeExp pop gdpPercap
#> <int> <dbl> <int> <dbl>
#> 1 1952 43.1 9279525 2449.
#> 2 1957 45.7 10270856 3014.
#> 3 1962 48.3 11000948 2551.
#> 4 1967 51.4 12760499 3247.
#> 5 1972 54.5 14760787 4183.
#> 6 1977 58.0 17152804 4910.
#> 7 1982 61.4 20033753 5745.
#> 8 1987 65.8 23254956 5681.
#> 9 1992 67.7 26298373 5023.
#> 10 1997 69.2 29072015 4797.
#> 11 2002 71.0 31287142 5288.
#> 12 2007 72.3 33333216 6223.
#>
#> $Africa.Angola
#> # A tidytable: 12 x 4
#> year lifeExp pop gdpPercap
#> <int> <dbl> <int> <dbl>
#> 1 1952 30.0 4232095 3521.
#> 2 1957 32.0 4561361 3828.
#> 3 1962 34 4826015 4269.
#> 4 1967 36.0 5247469 5523.
#> 5 1972 37.9 5894858 5473.
#> 6 1977 39.5 6162675 3009.
#> 7 1982 39.9 7016384 2757.
#> 8 1987 39.9 7874230 2430.
#> 9 1992 40.6 8735988 2628.
#> 10 1997 41.0 9875024 2277.
#> 11 2002 41.0 10866106 2773.
#> 12 2007 42.7 12420476 4797.
#>
#> $Americas.Argentina
#> # A tidytable: 12 x 4
#> year lifeExp pop gdpPercap
#> <int> <dbl> <int> <dbl>
#> 1 1952 62.5 17876956 5911.
#> 2 1957 64.4 19610538 6857.
#> 3 1962 65.1 21283783 7133.
#> 4 1967 65.6 22934225 8053.
#> 5 1972 67.1 24779799 9443.
#> 6 1977 68.5 26983828 10079.
#> 7 1982 69.9 29341374 8998.
#> 8 1987 70.8 31620918 9140.
#> 9 1992 71.9 33958947 9308.
#> 10 1997 73.3 36203463 10967.
#> 11 2002 74.3 38331121 8798.
#> 12 2007 75.3 40301927 12779.
#>
#> $Oceania.Australia
#> # A tidytable: 12 x 4
#> year lifeExp pop gdpPercap
#> <int> <dbl> <int> <dbl>
#> 1 1952 69.1 8691212 10040.
#> 2 1957 70.3 9712569 10950.
#> 3 1962 70.9 10794968 12217.
#> 4 1967 71.1 11872264 14526.
#> 5 1972 71.9 13177000 16789.
#> 6 1977 73.5 14074100 18334.
#> 7 1982 74.7 15184200 19477.
#> 8 1987 76.3 16257249 21889.
#> 9 1992 77.6 17481977 23425.
#> 10 1997 78.8 18565243 26998.
#> 11 2002 80.4 19546792 30688.
#> 12 2007 81.2 20434176 34435.
创建于 2021-04-15 由 reprex 软件包 （v2.0.0）
2赞
Florian
8/7/2021
#7
一个可选的附加解决方案，用于删除多余的列：
iris %>% sample_n(size = 5) %>%
split(.$Species) %>%
map(~select(., -Species))
12赞
deeenes
3/24/2022
#8
解决方案如下
- 依赖工具
tidyverse - 适合线性管道
- 不依赖于因子或向量的顺序，可以应用于任何数据框列表
它与 Kim 的解决方案几乎相同，但是更合适的功能选择使其可读性和更简单。
library(dplyr)
library(purrr)
iris %>%
dplyr::group_split(Species) %>%
purrr::set_names(purrr::map_chr(., ~.x$Species[1]))
评论
3赞
rdelrossi
4/23/2022
这个问题很晚，但这是一个聪明、优雅的解决方案，imo。
1赞
flies
2/8/2023
给出的解决方案是给出名称，显然是因为将因子水平解释为整数而不是字符串。我找不到另一种方法可以在不强迫分手之前上课的情况下让它工作"1" "2" "3"map_chrSpeciescharacter
0赞
Aaron Situ
6/11/2022
#9
另一个潜在的修复方法是
library(tidyverse)
list_cyl <- mtcars %>%
group_by(cyl) %>%
# apply any functions to the grouped data
# to create a list column where each row is the grouped data
# here are some examples
do(# res = select_all(.),
res = as_tibble(.)) %>%
ungroup() %>%
# set name of each grouped data
mutate(res = set_names(res, paste0("Cylinder: ", cyl))) %>%
# extract the list column
pull(res)
list_cyl
$`Cylinder: 4`
# A tibble: 11 × 11
mpg cyl disp hp drat wt qsec vs am gear carb
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 22.8 4 108 93 3.85 2.32 18.6 1 1 4 1
2 24.4 4 147. 62 3.69 3.19 20 1 0 4 2
3 22.8 4 141. 95 3.92 3.15 22.9 1 0 4 2
4 32.4 4 78.7 66 4.08 2.2 19.5 1 1 4 1
5 30.4 4 75.7 52 4.93 1.62 18.5 1 1 4 2
6 33.9 4 71.1 65 4.22 1.84 19.9 1 1 4 1
7 21.5 4 120. 97 3.7 2.46 20.0 1 0 3 1
8 27.3 4 79 66 4.08 1.94 18.9 1 1 4 1
9 26 4 120. 91 4.43 2.14 16.7 0 1 5 2
10 30.4 4 95.1 113 3.77 1.51 16.9 1 1 5 2
11 21.4 4 121 109 4.11 2.78 18.6 1 1 4 2
$`Cylinder: 6`
# A tibble: 7 × 11
mpg cyl disp hp drat wt qsec vs am gear carb
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 21 6 160 110 3.9 2.62 16.5 0 1 4 4
2 21 6 160 110 3.9 2.88 17.0 0 1 4 4
3 21.4 6 258 110 3.08 3.22 19.4 1 0 3 1
4 18.1 6 225 105 2.76 3.46 20.2 1 0 3 1
5 19.2 6 168. 123 3.92 3.44 18.3 1 0 4 4
6 17.8 6 168. 123 3.92 3.44 18.9 1 0 4 4
7 19.7 6 145 175 3.62 2.77 15.5 0 1 5 6
$`Cylinder: 8`
# A tibble: 14 × 11
mpg cyl disp hp drat wt qsec vs am gear carb
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 18.7 8 360 175 3.15 3.44 17.0 0 0 3 2
2 14.3 8 360 245 3.21 3.57 15.8 0 0 3 4
3 16.4 8 276. 180 3.07 4.07 17.4 0 0 3 3
4 17.3 8 276. 180 3.07 3.73 17.6 0 0 3 3
5 15.2 8 276. 180 3.07 3.78 18 0 0 3 3
6 10.4 8 472 205 2.93 5.25 18.0 0 0 3 4
7 10.4 8 460 215 3 5.42 17.8 0 0 3 4
8 14.7 8 440 230 3.23 5.34 17.4 0 0 3 4
9 15.5 8 318 150 2.76 3.52 16.9 0 0 3 2
10 15.2 8 304 150 3.15 3.44 17.3 0 0 3 2
11 13.3 8 350 245 3.73 3.84 15.4 0 0 3 4
12 19.2 8 400 175 3.08 3.84 17.0 0 0 3 2
13 15.8 8 351 264 4.22 3.17 14.5 0 1 5 4
14 15 8 301 335 3.54 3.57 14.6 0 1 5 8
我更喜欢这种方法而不是 + 方法，因为它不需要从原始数据集的现有列（即我的示例中的 mtcars）中获取名称group_split()setNames(unique(*grouping column*))
例如，假设我想创建一个 mtcars 数据集列表，该列表按气缸数和变速箱类型进行拆分。
Using the `group_split()` + `setNames(unique(*grouping column*))` approach:
list_cyl_am1 <- mtcars %>%
# create cylinder + transmission type group identifier
mutate(am_text = ifelse(am == 1, "Manual", "Automatic"),
grp_id = paste0("Cylinder: ", cyl, " & ", am_text, " Transmission")) %>%
group_split(grp_id) %>%
setNames(unique(mtcars$grp_id))
names(list_cyl_am1)
NULL
但是使用我的方法，它会给我提供我需要的东西
list_cyl_am2 <- mtcars %>%
# create cylinder + transmission type group identifier
mutate(am_text = ifelse(am == 1, "Manual", "Automatic"),
grp_id = paste0("Cylinder: ", cyl, " & ", am_text, " Transmission")) %>%
group_by(grp_id) %>%
# apply some functions to the grouped data
do(res = as_tibble(.)) %>%
ungroup() %>%
# set name
mutate(res = set_names(res, grp_id)) %>%
# extract the list column
pull(res)
names(list_cyl_am2)
"Cylinder: 4 & Automatic Transmission" "Cylinder: 4 & Manual Transmission"
"Cylinder: 6 & Automatic Transmission" "Cylinder: 6 & Manual Transmission"
"Cylinder: 8 & Automatic Transmission" "Cylinder: 8 & Manual Transmission"
评论