dplyr::group_by 的進階運用

背景簡介

我由於工作上要研究網路廣告，常常要比較各種不同方法間的數據。舉例來說，我可能手上有一大筆看起來像這樣的資料：

而我想要知道各種廣告在網站A上的表現。透過dplyr，這並不困難：

filter(sample, 網站 == "網站A") %>%
  group_by(廣告) %>%
  summarise(曝光 = length(點擊), 點擊數 = sum(點擊))

然而，以這個資料來說，我並不確定廣告C和廣告D的成效是不是明顯的不同。我想大家能同意，廣告的點擊是有機率在背後的，所以我們必須要透過一些計算才能知道，數據上顯示的：「廣告B比其他廣告好」，是運氣比較好，還是真的比較好。

R 有一個製作95%信賴區間很方便的套件：binom。只要簡單利用binom.confint，就可以快速算出各種方法的confidence interval。 以下就是一個簡單的範例，我們使用預設的95%信心水準（可以使用參數conf.level來調整），統計方法是"exact"（由Clopper and Pearson (1934)所設計出來的方法）。binom套件提供了10種方法給使用者計算信賴區間。

library(binom)
channel.a.summary <- filter(sample, 網站 == "網站A") %>%
  group_by(廣告) %>%
  summarise(曝光 = length(點擊), 點擊數 = sum(點擊))
binom.confint(x = channel.a.summary$點擊數, n = channel.a.summary$曝光, methods = "exact")

所以根據binom.confint的結果，其實這樣的差距很有可能是來自於運氣，因為他們的信賴區間交錯的不少。

結合group_by + binom.confint

然而剛剛的程式碼，其實可以利用dplyr的do來改進：

filter(sample, 網站 == "網站A") %>%
  group_by(廣告) %>%
  do(binom.confint(sum(.$點擊), length(.$點擊), methods = "exact"))

這裡的do是一個很有趣的函數。當我們傳遞一個group_by處理過得的table，do會依照group_by的欄位將原本的table切割成若干的子table，並且運用變數.來代表這個子table。然後，再利用do的參數函數來個別計算出結果，最後再拼裝成原本的輸出。

do和原本summarise的差別，就是更有彈性，並且可以一次輸出多欄位。舉例來說，上述的binom.confint就一次輸出mean、lower和upper等資訊，而不像summarise，裡面使用的函數一次只能輸出一個值。

do細解

接下來，我簡單說明do的用法。請有興趣的朋友執行以下的程式碼：

group_by(iris, Species) %>% do(browser())

由於browser的緣故，在do處理子table的時候會暫停，所以各位朋友就可以看到：

Browse[1]> .
Source: local data frame [50 x 5]

   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
          (dbl)       (dbl)        (dbl)       (dbl)  (fctr)
1           5.1         3.5          1.4         0.2  setosa
2           4.9         3.0          1.4         0.2  setosa
3           4.7         3.2          1.3         0.2  setosa
4           4.6         3.1          1.5         0.2  setosa
5           5.0         3.6          1.4         0.2  setosa
6           5.4         3.9          1.7         0.4  setosa
7           4.6         3.4          1.4         0.3  setosa
8           5.0         3.4          1.5         0.2  setosa
9           4.4         2.9          1.4         0.2  setosa
10          4.9         3.1          1.5         0.1  setosa
..          ...         ...          ...         ...     ...
Browse[1]> nrow(.)
[1] 50

第一次暫停的時候，這個.就代表所有Species等於"setosa"的table，也就是filter(iris, Species == "setosa")的結果。 各位可以從nrow(.)得到50看出。

這樣的暫停會有三次，第二次是filter(iris, Species == "versicolor")，第三次是filter(iris, Species == "virginica")。

do裡面的函數必須輸出data.frame讓dplyr最後做組裝。舉例來說：

group_by(iris, Species) %>% do(sum(.$Petal.Width))

## Error: Results are not data frames at positions: 1, 2, 3

由於sum(.$Petal.Width)不是一個data.frame，所以就發生錯誤了。必須要用：

group_by(iris, Species) %>% do(data.frame(sum = sum(.$Petal.Width)))

## Source: local data frame [3 x 2]
## Groups: Species [3]
## 
##      Species   sum
##       (fctr) (dbl)
## 1     setosa  12.3
## 2 versicolor  66.3
## 3  virginica 101.3

結語

透過group_by + do，我們就可以再簡化程式碼，一次group_by就可以輸出信賴區間相關的分析結果，程式碼也簡潔。這一招是我最近學到的密技，今天就簡單跟大家作個說明，希望以上的內容能幫上大家囉。