En muchas situaciones nos gustaría usar una función de dplyr en varias columnas a la vez. Por ejemplo, si queremos pasar todas las variables numéricas a la vez usando la función mutate(), o si queremos proporcionar el mismo summary para tres de nuestras variables. A pesar de que ya es posible realizar este tipo de tareas utilizando llamadas de alcance, como mutate_all(), select_if(), summarise_at(), ahora es aún más fácil, y más coherente, utilizando la nueva función across() de dplyr. Para expicar across(), usaré el el dataset starwars.
Cargando tidyverse
library(tidyverse)starwars$height <- as.numeric(starwars$height)
glimpse(starwars)## Rows: 87
## Columns: 14
## $ name <chr> "Luke Skywalker", "C-3PO", "R2-D2", "Darth Vader", "Leia...
## $ height <dbl> 172, 167, 96, 202, 150, 178, 165, 97, 183, 182, 188, 180...
## $ mass <dbl> 77.0, 75.0, 32.0, 136.0, 49.0, 120.0, 75.0, 32.0, 84.0, ...
## $ hair_color <chr> "blond", NA, NA, "none", "brown", "brown, grey", "brown"...
## $ skin_color <chr> "fair", "gold", "white, blue", "white", "light", "light"...
## $ eye_color <chr> "blue", "yellow", "red", "yellow", "brown", "blue", "blu...
## $ birth_year <dbl> 19.0, 112.0, 33.0, 41.9, 19.0, 52.0, 47.0, NA, 24.0, 57....
## $ sex <chr> "male", "none", "none", "male", "female", "male", "femal...
## $ gender <chr> "masculine", "masculine", "masculine", "masculine", "fem...
## $ homeworld <chr> "Tatooine", "Tatooine", "Naboo", "Tatooine", "Alderaan",...
## $ species <chr> "Human", "Droid", "Droid", "Human", "Human", "Human", "H...
## $ films <list> [<"The Empire Strikes Back", "Revenge of the Sith", "Re...
## $ vehicles <list> [<"Snowspeeder", "Imperial Speeder Bike">, <>, <>, <>, ...
## $ starships <list> [<"X-wing", "Imperial shuttle">, <>, <>, "TIE Advanced ...Normalmente, si queremos hacer un sumario de una variable categórica como species, calculando el número de entradas diferentes, (usando n_distinct()) que contiene, deberíamos escribir:
starwars %>%
summarise(distinct_species = n_distinct(species))## # A tibble: 1 x 1
## distinct_species
## <int>
## 1 38Si quisiéramos calcular n_distinct(), no solo para diferentes species, sino también entre mundos de origen (homeworld) y color de piel (skin_color), necesitaríamos escribir la función n_distinct() 3 veces por separado, dentro de summarise:
starwars%>%
summarise(distinct_species = n_distinct(species),
distinct_homeworld = n_distinct(homeworld),
distinct_skin_color = n_distinct(skin_color))## # A tibble: 1 x 3
## distinct_species distinct_homeworld distinct_skin_color
## <int> <int> <int>
## 1 38 49 31Podría ser bueno pues indicar a qué columnas queremos aplicar n_distinct() y luego especificar n_distinct() una vez, en lugar de tener que aplicar n_distinct a cada columna por separado
Aquí es donde entra across(), ya que se utiliza dentro de su función dplyr, y la sintaxis es across(.cols, .fnd), donde .cols especifica las columnas sobre las que desea que actúe la función de dplyr.
Cuando las funciones de dplyr involucran funciones externas que se están aplicando a columnas, p.ex. n_distinct() como en el ejemplo anterior, esta función externa se coloca en el argumento .fnd. Por ejemplo, aplicaríamos n_distinct() a species, a homeworld y a skin_color, escribiríamos (across(c(species,homeworld,skin_color), n_distinct)) dentro de las paréntesis de summarise().
Tener en cuenta que estamos especificando qué variables queremos involucrar en summarise() usando c(), como si estuviéramos listando los nombres de las variables en un vector, pero como estamos en dplyr, no necesitamos ponerlos entre comillas:
starwars %>%
summarise(across(c(species,homeworld,skin_color),
n_distinct))## # A tibble: 1 x 3
## species homeworld skin_color
## <int> <int> <int>
## 1 38 49 31Cabe destacar que la función n_distinct() es un argumento de across(), en lugar de ser un argumento de la función dplyr summarise().
Hasta ahora, hemos visto cómo aplicar una función dplyr a un conjunto de columnas usando una notación vectorial c(col1, col2, col3, …). Sin embargo, hay muchas otras formas de especificar las columnas a las que desea aplicar la función dplyr.
everything(): aplica la función a todas las columnas.
starwars %>%
summarise(across(everything(), n_distinct))## # A tibble: 1 x 14
## name height mass hair_color skin_color eye_color birth_year sex gender
## <int> <int> <int> <int> <int> <int> <int> <int> <int>
## 1 87 46 39 13 31 15 37 5 3
## # ... with 5 more variables: homeworld <int>, species <int>, films <int>,
## # vehicles <int>, starships <int>starts_with(): aplica la función a todas las columnas cuyo nombre empiece con la cadena especificada:
starwars %>%
summarise(across(starts_with("home"), n_distinct))## # A tibble: 1 x 1
## homeworld
## <int>
## 1 49contains(): aplica la función a todas las columnas cuyo nombre contenga la cadena especificada.
starwars %>%
summarise(across(contains("color"), n_distinct))## # A tibble: 1 x 3
## hair_color skin_color eye_color
## <int> <int> <int>
## 1 13 31 15where() aplica la función a todas las columnas que satisfagan una condición lógica como, por ejemplo, !is.numeric().
starwars %>%
summarise(across(where(is.numeric), ~sum(!is.na(.))))## # A tibble: 1 x 3
## height mass birth_year
## <int> <int> <int>
## 1 81 59 43Notar que hemos tenido que insertar un tilde “~” delante de sum porque “is.na()” no es una función admitida dentro de across(). El punto entre paréntesis indica “todas las columnas”.
En este mismo sentido, para identificar cuántos valores faltantes hay en cada columna, podríamos especificar la función ~ sum (is.na (.)), que calcula cuántos valores NA hay en cada columna (donde la columna está representada por “.”) y los agrega:
starwars %>%
summarise(across(everything(),
~sum(is.na(.))))## # A tibble: 1 x 14
## name height mass hair_color skin_color eye_color birth_year sex gender
## <int> <int> <int> <int> <int> <int> <int> <int> <int>
## 1 0 6 28 5 0 0 44 4 4
## # ... with 5 more variables: homeworld <int>, species <int>, films <int>,
## # vehicles <int>, starships <int>¿Qué pasa si queremos reemplazar los valores faltantes en las columnas numéricas con 0? Sin la función across(), aplicaríamos una función if_else () por separado a cada columna numérica, que reemplazaría todos los valores NA con 0 y dejaría todos los valores que no sean NA como están:
# 1. Solución sin across() i sin usar una función.
starwars%>%
mutate(height = if_else(is.na(height), 0, height)) %>%
mutate(mass = if_else(is.na(mass),0, mass)) %>%
mutate(birth_year = if_else(is.na(birth_year),0, birth_year)) %>%
summarise(height_m = mean(height),
mass_m = mean(mass),
b_year_m = mean(birth_year))## # A tibble: 1 x 3
## height_m mass_m b_year_m
## <dbl> <dbl> <dbl>
## 1 162. 66.0 43.3na_repl_0 <- function(x) {
if_else(condition = is.na(x),
true = 0,
false = (x))
}
# 2. Sin across y con función.
starwars %>%
mutate(height = na_repl_0(height),
mass = na_repl_0(mass),
birth_year = na_repl_0(birth_year))%>%
summarise(height_m2 = mean(height),
mass_m2 = mean(mass),
b_year_m2 = mean(birth_year))## # A tibble: 1 x 3
## height_m2 mass_m2 b_year_m2
## <dbl> <dbl> <dbl>
## 1 162. 66.0 43.3Por suerte, esto ya lo podemos hacer con across():
# 3. Con across() y con función.
starwars %>%
mutate(across(where(is.numeric), na_repl_0)) %>%
summarise(across(where(is.numeric), mean))## # A tibble: 1 x 3
## height mass birth_year
## <dbl> <dbl> <dbl>
## 1 162. 66.0 43.3Obviamente, 0 no es una gran opción, entonces quizás podamos reemplazar los valores faltantes con el valor medio de la columna. Esta vez, en lugar de definir una nueva función (en lugar de na_repl_0(), seremos un poco más concisos y usaremos la notación de tilde-punto para especificar la función que queremos aplicar.
starwars %>%
mutate(across(where(is.numeric),
~if_else(is.na(.),
mean(., na.rm = T),
as.numeric(.)))) %>%
summarise(across(where(is.numeric), mean))## # A tibble: 1 x 3
## height mass birth_year
## <dbl> <dbl> <dbl>
## 1 174. 97.3 87.6Notar como el hecho de substituir los valores con el promedio de la columna y no con 0, conlleva un aumento de los valores medios de todas las variables.
O mejor aún, quizás podemos remplazar los NA con los valores medios dentro de species (o más variables).
starwars %>%
group_by(species) %>%
mutate(across(where(is.numeric),
~if_else(condition = is.na(.),
true = mean(., na.rm = T),
false = as.numeric(.)))) %>%
summarise(across(where(is.numeric), mean)) %>%
ungroup()## `summarise()` ungrouping output (override with `.groups` argument)## # A tibble: 38 x 4
## species height mass birth_year
## <chr> <dbl> <dbl> <dbl>
## 1 Aleena 79 15 NaN
## 2 Besalisk 198 102 NaN
## 3 Cerean 198 82 92
## 4 Chagrian 196 NaN NaN
## 5 Clawdite 168 55 NaN
## 6 Droid 131. 69.8 53.3
## 7 Dug 112 40 NaN
## 8 Ewok 88 20 8
## 9 Geonosian 183 80 NaN
## 10 Gungan 209. 74 52
## # ... with 28 more rowsNotar que allá donde no se pueden calcular valores medios porque solo hay NA, summarise() devuelve un NaN.