使用 dplyr 时使用 rle 按运行进行分组

在 R 中，我想根据变量的运行对数据进行分组后对其进行汇总x（又名每组数据对应于数据的一个子集，其中连续x值是相同的）。例如，考虑以下数据框，我想在其中计算平均值y每次运行中的值x:

(dat <- data.frame(x=c(1, 1, 1, 2, 2, 1, 2), y=1:7))
#   x y
# 1 1 1
# 2 1 2
# 3 1 3
# 4 2 4
# 5 2 5
# 6 1 6
# 7 2 7

在此示例中，x变量的游程长度为 3，然后是 2，然后是 1，最后是 1，在这四次游程中取值 1、2、1 和 2。相应的手段y这些组中的数字为 2、4.5、6 和 7。

使用 R 基数可以很容易地执行分组操作tapply, 通过dat$y作为数据，使用rle计算运行数dat$x，并传递所需的汇总函数：

tapply(dat$y, with(rle(dat$x), rep(seq_along(lengths), lengths)), mean)
#   1   2   3   4 
# 2.0 4.5 6.0 7.0 

我想我可以直接将这个逻辑传递给 dplyr，但到目前为止我的尝试都以错误告终：

library(dplyr)
# First attempt
dat %>%
  group_by(with(rle(x), rep(seq_along(lengths), lengths))) %>%
  summarize(mean(y))
# Error: cannot coerce type 'closure' to vector of type 'integer'

# Attempt 2 -- maybe "with" is the problem?
dat %>%
  group_by(rep(seq_along(rle(x)$lengths), rle(x)$lengths)) %>%
  summarize(mean(y))
# Error: invalid subscript type 'closure'

为了完整起见，我可以重新实现rle我自己运行 id 使用cumsum, head, and tail为了解决这个问题，但这使得分组代码更难以阅读，并且涉及到一些重新发明轮子的过程：

dat %>%
  group_by(run=cumsum(c(1, head(x, -1) != tail(x, -1)))) %>%
  summarize(mean(y))
#     run mean(y)
#   (dbl)   (dbl)
# 1     1     2.0
# 2     2     4.5
# 3     3     6.0
# 4     4     7.0

是什么原因导致我的rle基于失败的分组代码dplyr，有什么解决方案可以让我继续使用rle当按运行 ID 分组时？

Update：截至 2023 年，这似乎已由 dplyr 包修复，这样我的原始代码就可以正常工作，并且不需要任何解决方法。

一种选择似乎是使用{} as in:

dat %>%
    group_by(yy = {yy = rle(x); rep(seq_along(yy$lengths), yy$lengths)}) %>%
    summarize(mean(y))
#Source: local data frame [4 x 2]
#
#     yy mean(y)
#  (int)   (dbl)
#1     1     2.0
#2     2     4.5
#3     3     6.0
#4     4     7.0

如果未来的 dplyr 版本也有与 data.table 等效的功能，那就太好了rleid功能。

我注意到使用时会出现此问题data.frame or tbl_df输入但不输入，当使用tbl_dt or data.table input:

dat %>% 
    tbl_df %>% 
    group_by(yy = with(rle(x), rep(seq_along(lengths), lengths))) %>%
    summarize(mean(y))
Error: cannot coerce type 'closure' to vector of type 'integer'

dat %>% 
    tbl_dt %>% 
    group_by(yy = with(rle(x), rep(seq_along(lengths), lengths))) %>%
    summarize(mean(y))
Source: local data table [4 x 2]

     yy mean(y)
  (int)   (dbl)
1     1     2.0
2     2     4.5
3     3     6.0
4     4     7.0

我将此报告为issue https://github.com/hadley/dplyr/issues/1661在 dplyr 的 github 页面上。