时间戳

首页 > 解决方案 > 改变 purrr 块中的数据列表列并通过对数字变量进行分组来获得静态最小值

r - 改变 purrr 块中的数据列表列并通过对数字变量进行分组来获得静态最小值

问题描述

以钻石为例，我想按切割分组，然后为每个分组添加一个行号，然后随机播放。然后我想对价格进行转换，在这种情况下只是价格 + 1，然后我想找到与第 1 行对应的价格并将其作为整个特征的值。

试过：

mydiamonds <- diamonds %>%
  group_by(cut) %>% 
  mutate(rownum = row_number()) %>% 
  nest %>% 
  mutate(data = map(data, ~ .x %>% sample_n(nrow(.x)))) %>% 
  mutate(data = map(data, ~ .x %>% mutate(InitialPrice = price + rownum)))

这让我很接近：

mydiamonds$data[[1]] %>% head
# A tibble: 6 x 11
  carat color clarity depth table price     x     y     z rownum InitialPrice
  <dbl> <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>  <int>        <int>
1  0.4  E     VS1      62.4  54     951  4.73  4.75  2.96  13792        14743
2  0.71 H     VS2      60.9  55    2450  5.76  5.74  3.5   20808        23258
3  1.01 F     VVS2     61    57    8688  6.52  6.46  3.96   6567        15255
4  0.62 G     VS2      61.6  55    2321  5.51  5.53  3.4   20438        22759
5  0.77 F     VS1      60.9  58    3655  5.91  5.95  3.61   1717         5372
6  1.37 G     VVS2     62.3  55.5 12207  7.05  7.14  4.43   8013        20220

我想从这里做的是找到对应于 rownum == 1 的 InitialPrice 的值，然后将 InitialPrice 覆盖为 mydiamonds$data 中每个数据帧的单个值。

我尝试在最后一行中再次变异和变异，如下所示：

mutate(data = map(data, ~ .x %>% mutate(InitialPrice = price + rownum) %>% mutate(InitialPrice = . %>% filter(rownum ==1) %>% pull(InitialPrice))))

然而得到错误：

错误：mutate()输入有问题data。xmutate()输入问题InitialPrice。x 输入InitialPrice必须是向量，而不是fseq/function对象。ℹ 输入InitialPrice是. %>% filter(rownum == 1) %>% pull(InitialPrice)。ℹ 输入data是map(...)。

我怎么能那样做？

标签： rdplyrpurrr

解决方案

我们可以用.括号括起来

library(dplyr)
library(ggplot2)
library(purrr)
mydiamonds %>% 
   mutate(data = map(data, ~ .x %>% 
       mutate(InitialPrice = price + rownum ) %>%
       mutate(InitialPrice = {.} %>% 
                 filter(rownum ==1) %>% 
                 pull(InitialPrice))))
# A tibble: 5 x 2
# Groups:   cut [5]
#  cut       data                  
#  <ord>     <list>                
#1 Ideal     <tibble [21,551 × 11]>
#2 Premium   <tibble [13,791 × 11]>
#3 Good      <tibble [4,906 × 11]> 
#4 Very Good <tibble [12,082 × 11]>
#5 Fair      <tibble [1,610 × 11]>

推荐阅读