Bir değişkeni gruba göre toplama

İki sütunlu bir veri çerçevem ​​var. İlk sütun "İlk", "İkinci", "Üçüncü" gibi kategoriler içerir ve ikinci sütunda "Kategori" den belirli grupların kaç kez gördüğümü gösteren sayılar bulunur.

Örneğin:

Category     Frequency
First        10
First        15
First        5
Second       2
Third        14
Third        20
Second       3

Verileri Kategoriye göre sıralamak ve tüm Frekansları toplamak istiyorum:

Category     Frequency
First        30
Second       5
Third        34

Bunu R'de nasıl yaparım?

Kullanma aggregate:

aggregate(x$Frequency, by=list(Category=x$Category), FUN=sum)
  Category  x
1    First 30
2   Second  5
3    Third 34

Yukarıdaki örnekte, içinde birden çok boyut belirtilebilir list. Aynı veri türüne sahip birden çok toplu metrikler aşağıdakiler yoluyla dahil edilebilir cbind:

aggregate(cbind(x$Frequency, x$Metric2, x$Metric3) ...

(@thelatemail comment gömme) aggregatede bir formül arayüzüne sahiptir

aggregate(Frequency ~ Category, x, sum)

Veya birden çok sütunu toplamak istiyorsanız, .gösterimi kullanabilirsiniz (bir sütun için de çalışır)

aggregate(. ~ Category, x, sum)

veya tapply:

tapply(x$Frequency, x$Category, FUN=sum)
 First Second  Third 
    30      5     34 

Bu verileri kullanma:

x <- data.frame(Category=factor(c("First", "First", "First", "Second",
                                      "Third", "Third", "Second")), 
                    Frequency=c(10,15,5,2,14,20,3))

Bu amaçla dplyr paketini de kullanabilirsiniz :

library(dplyr)
x %>% 
  group_by(Category) %>% 
  summarise(Frequency = sum(Frequency))

#Source: local data frame [3 x 2]
#
#  Category Frequency
#1    First        30
#2   Second         5
#3    Third        34

Veya birden çok özet sütun için (bir sütunla da çalışır):

x %>% 
  group_by(Category) %>% 
  summarise_all(funs(sum))

Yerleşik veri kümesini kullanarak dplyr işlevlerini kullanarak verileri gruplara göre özetlemenin bazı örnekleri mtcars:

# several summary columns with arbitrary names
mtcars %>% 
  group_by(cyl, gear) %>%                            # multiple group columns
  summarise(max_hp = max(hp), mean_mpg = mean(mpg))  # multiple summary columns

# summarise all columns except grouping columns using "sum" 
mtcars %>% 
  group_by(cyl) %>% 
  summarise_all(sum)

# summarise all columns except grouping columns using "sum" and "mean"
mtcars %>% 
  group_by(cyl) %>% 
  summarise_all(funs(sum, mean))

# multiple grouping columns
mtcars %>% 
  group_by(cyl, gear) %>% 
  summarise_all(funs(sum, mean))

# summarise specific variables, not all
mtcars %>% 
  group_by(cyl, gear) %>% 
  summarise_at(vars(qsec, mpg, wt), funs(sum, mean))

# summarise specific variables (numeric columns except grouping columns)
mtcars %>% 
  group_by(gear) %>% 
  summarise_if(is.numeric, funs(mean))

%>%Operatör dahil daha fazla bilgi için dplyr girişine bakın .

Rcs tarafından verilen cevap işe yarıyor ve basit. Ancak, daha büyük veri kümelerini yönetiyorsanız ve performans artışı istiyorsanız daha hızlı bir alternatif vardır:

library(data.table)
data = data.table(Category=c("First","First","First","Second","Third", "Third", "Second"), 
                  Frequency=c(10,15,5,2,14,20,3))
data[, sum(Frequency), by = Category]
#    Category V1
# 1:    First 30
# 2:   Second  5
# 3:    Third 34
system.time(data[, sum(Frequency), by = Category] )
# user    system   elapsed 
# 0.008     0.001     0.009 

Bunu data.frame ve yukarıdakileri kullanarak aynı şeyle karşılaştıralım:

data = data.frame(Category=c("First","First","First","Second","Third", "Third", "Second"),
                  Frequency=c(10,15,5,2,14,20,3))
system.time(aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum))
# user    system   elapsed 
# 0.008     0.000     0.015 

Ve sütunu korumak istiyorsanız bu sözdizimidir:

data[,list(Frequency=sum(Frequency)),by=Category]
#    Category Frequency
# 1:    First        30
# 2:   Second         5
# 3:    Third        34

Aşağıdaki kodun gösterdiği gibi, fark daha büyük veri kümelerinde daha belirgin hale gelecektir:

data = data.table(Category=rep(c("First", "Second", "Third"), 100000),
                  Frequency=rnorm(100000))
system.time( data[,sum(Frequency),by=Category] )
# user    system   elapsed 
# 0.055     0.004     0.059 
data = data.frame(Category=rep(c("First", "Second", "Third"), 100000), 
                  Frequency=rnorm(100000))
system.time( aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum) )
# user    system   elapsed 
# 0.287     0.010     0.296 

Birden toplanmalar için, birleştirebilir lapplyve .SDaşağıdaki gibi

data[, lapply(.SD, sum), by = Category]
#    Category Frequency
# 1:    First        30
# 2:   Second         5
# 3:    Third        34

Ayrıca by () işlevini de kullanabilirsiniz :

x2 <- by(x$Frequency, x$Category, sum)
do.call(rbind,as.list(x2))

Bu diğer paketler (plyr, reshape) bir data.frame döndürme avantajına sahiptir, ancak temel işlev olduğu için () tarafından bilinmeye değer.

Birkaç yıl sonra, sadece bir nedenden dolayı burada olmayan başka bir basit temel R çözümü eklemek için- xtabs

xtabs(Frequency ~ Category, df)
# Category
# First Second  Third 
#    30      5     34 

Veya data.framegeri dönmek isterseniz

as.data.frame(xtabs(Frequency ~ Category, df))
#   Category Freq
# 1    First   30
# 2   Second    5
# 3    Third   34

library(plyr)
ddply(tbl, .(Category), summarise, sum = sum(Frequency))

Eğer xsizin verilerle bir dataframe, sonra şu istediğini yapar:

require(reshape)
recast(x, Category ~ ., fun.aggregate=sum)

Son zamanlarda dplyrbu tür işlemlerin çoğu için bir dönüştürme haline sqldfgelmeme rağmen , paket hala bazı şeyler için gerçekten güzel (ve IMHO daha okunabilir).

İşte bu sorunun nasıl cevaplanabileceğine bir örnek sqldf

x <- data.frame(Category=factor(c("First", "First", "First", "Second",
                                  "Third", "Third", "Second")), 
                Frequency=c(10,15,5,2,14,20,3))

sqldf("select 
          Category
          ,sum(Frequency) as Frequency 
       from x 
       group by 
          Category")

##   Category Frequency
## 1    First        30
## 2   Second         5
## 3    Third        34

Üçüncü bir seçenek eklemek için:

require(doBy)
summaryBy(Frequency~Category, data=yourdataframe, FUN=sum)

EDIT: Bu çok eski bir cevap. Şimdi kullanılmasını öneriyoruz group_byve summarisegelen dplyr@docendo cevap olarak.

aveFarklı sütunlara farklı toplama işlevleri uygulamanız gerektiğinde (ve R tabanına yapışmanız / istemeniz gerektiğinde) çok yararlı (ve verimli) buluyorum :

Örneğin

Bu girdi verildiğinde:

DF <-                
data.frame(Categ1=factor(c('A','A','B','B','A','B','A')),
           Categ2=factor(c('X','Y','X','X','X','Y','Y')),
           Samples=c(1,2,4,3,5,6,7),
           Freq=c(10,30,45,55,80,65,50))

> DF
  Categ1 Categ2 Samples Freq
1      A      X       1   10
2      A      Y       2   30
3      B      X       4   45
4      B      X       3   55
5      A      X       5   80
6      B      Y       6   65
7      A      Y       7   50

bu gruba göre istediğiniz Categ1ve Categ2ve toplamını hesaplamak Samplesve ortalama Freq.
İşte olası bir çözüm ave:

# create a copy of DF (only the grouping columns)
DF2 <- DF[,c('Categ1','Categ2')]

# add sum of Samples by Categ1,Categ2 to DF2 
# (ave repeats the sum of the group for each row in the same group)
DF2$GroupTotSamples <- ave(DF$Samples,DF2,FUN=sum)

# add mean of Freq by Categ1,Categ2 to DF2 
# (ave repeats the mean of the group for each row in the same group)
DF2$GroupAvgFreq <- ave(DF$Freq,DF2,FUN=mean)

# remove the duplicates (keep only one row for each group)
DF2 <- DF2[!duplicated(DF2),]

Sonuç:

> DF2
  Categ1 Categ2 GroupTotSamples GroupAvgFreq
1      A      X               6           45
2      A      Y               9           40
3      B      X               7           50
6      B      Y               6           65

Son eklenenler dplyr::tally()artık bunu her zamankinden daha kolay hale getiriyor:

tally(x, Category)

Category     n
First        30
Second       5
Third        34

Sen işlevini kullanabilirsiniz group.sumgelen paket Rfast .

Category <- Rfast::as_integer(Category,result.sort=FALSE) # convert character to numeric. R's as.numeric produce NAs.
result <- Rfast::group.sum(Frequency,Category)
names(result) <- Rfast::Sort(unique(Category)
# 30 5 34

Rfast'ın birçok grup işlevi vardır vegroup.sumbunlardan biridir.

kullanılarak castyerine recast(not 'Frequency'şimdi 'value')

df  <- data.frame(Category = c("First","First","First","Second","Third","Third","Second")
                  , value = c(10,15,5,2,14,20,3))

install.packages("reshape")

result<-cast(df, Category ~ . ,fun.aggregate=sum)

almak:

Category (all)
First     30
Second    5
Third     34

Bir matristeki veya veri çerçevesindeki gruplara göre toplamları döndüren ve kısa ve hızlı olan başka bir çözüm:

rowsum(x$Frequency, x$Category)

Yana dplyr 1.0.0, across()fonksiyon kullanılabilir:

df %>%
 group_by(Category) %>%
 summarise(across(Frequency, sum))

  Category Frequency
  <chr>        <int>
1 First           30
2 Second           5
3 Third           34

Birden çok değişkenle ilgileniyorsanız:

df %>%
 group_by(Category) %>%
 summarise(across(c(Frequency, Frequency2), sum))

  Category Frequency Frequency2
  <chr>        <int>      <int>
1 First           30         55
2 Second           5         29
3 Third           34        190

Ve seçkin yardımcıları kullanarak değişken seçimi:

df %>%
 group_by(Category) %>%
 summarise(across(starts_with("Freq"), sum))

  Category Frequency Frequency2 Frequency3
  <chr>        <int>      <int>      <dbl>
1 First           30         55        110
2 Second           5         29         58
3 Third           34        190        380

Örnek veri:

df <- read.table(text = "Category Frequency Frequency2 Frequency3
                 1    First        10         10         20
                 2    First        15         30         60
                 3    First         5         15         30
                 4   Second         2          8         16
                 5    Third        14         70        140
                 6    Third        20        120        240
                 7   Second         3         21         42",
                 header = TRUE,
                 stringsAsFactors = FALSE)