dplyr(tidyverse)でsummarise()関数で標準偏差sdを計算するとNAになってしまうときは平均meanの名前の付け方に注意

2020年8月12日2020年8月15日

キーワード：tidyverse, dplyr, summarise, mean, sd, NA

Rで、平均の折れ線グラフなどを描くときの流れとして

1. library(tidyverse)
2. group_by()とsummarise()を用いて各グループの個数、平均、標準偏差を計算した表dを作成
3. ggplot()でグラフを描画

が、個人的にお勧めです。

しかし、ちょっと気を抜くと、summarise()関数で標準偏差sdを計算しようとすると、sdだけNAになってしまうことがあります。2020年8月現在、公式ページの例が以下のような記載で困りましたが、こちらにHadley Wickhamご本人が解決法を書かれています。

mtcars %>%
  group_by(cyl) %>%
  summarise(disp = mean(disp), sd = sd(disp))
#> `summarise()` ungrouping output (override with `.groups` argument)
#> # A tibble: 3 x 3
#>     cyl  disp    sd
#>   <dbl> <dbl> <dbl>
#> 1     4  105.    NA
#> 2     6  183.    NA
#> 3     8  353.    NA

ソースコード

https://colab.research.google.com/drive/1yPHODB6sgUU9OJx48tEibAF9rnUHDv-s?usp=sharing

『解決法1』summarise(mean_len=mean(len), sd_len=sd(len))のように書く

len=mean(len)
 と書くと、lenがベクトルではなく1個の値になってしまい、次の行でsdを計算してくれなくなってしまいます。

→ソースコード

library(tidyverse)

head(ToothGrowth)
str(ToothGrowth)

d <- ToothGrowth %>%
  group_by(supp, dose) %>%
  summarise(
    n=n(), 
    mean_len=mean(len), 
    sd_len=sd(len)
  )
  # 蛇足だが、以下の書き方はsdがNAになってしまう
  # https://dplyr.tidyverse.org/reference/summarise.html
  # summarise(n=n(), len=mean(len), sd=sd(len))
d 

pd <- position_dodge(0.1) # move them .05 to the left and right

ggplot(d, aes(x=dose, y=mean_len, shape=supp)) +
  theme_set(theme_classic()) +
  geom_point(size=4, position=pd) +
  geom_errorbar(aes(ymin=mean_len-sd_len, ymax=mean_len+sd_len), width=.1, position=pd) +
  geom_line(aes(linetype = supp), position=pd) +
  # グラフにタイトルをつける
  ggtitle("ToothGrowth") +
  theme(plot.title = element_text(hjust=0.5)) +
  theme(plot.title = element_text(size = 20),
    axis.title.x = element_text(size= 20),
    axis.title.y = element_text(size= 20),
    axis.text.x = element_text(size= 20),
    axis.text.y = element_text(size= 20)
  ) +
  # y軸のラベルの書き換え
  labs(y="Length")

『解決法2』summarise()関数とacross()関数を用いる()

2020年現在、summarise_each()関数はdeprecatedとのことです。(gatherじゃなくてpivot_longerなど、いろいろ時代は変わるようです。)

少し難しそうですか、こちらの方がすっきりコードをかくことができそうです。

参考：https://dplyr.tidyverse.org/reference/across.html

summarize()関数とacross()関数を用いる方法
library(tidyverse)

d <- ToothGrowth %>%
  group_by(supp, dose) %>%
  summarize(
    across(
      len, 
      list(
        mean = mean, 
        sd = sd
      )
    )
  )
d