Veriler R'deki gruba göre nasıl özetlenir? [kapalı]

Bunun gibi R veri çerçevem ​​var:

        age group
1   23.0883     1
2   25.8344     1
3   29.4648     1
4   32.7858     2
5   33.6372     1
6   34.9350     1
7   35.2115     2
8   35.2115     2
9   35.2115     2
10  36.7803     1
...

Veri çerçevesini aşağıdaki biçimde almam gerekiyor:

group mean     sd
1     34.5     5.6
2     32.3     4.2
...

Grup numarası değişebilir, ancak isimleri ve miktarları arayarak elde edilebilir. levels(factor(data$group))

Sonucu elde etmek için verilerde hangi manipülasyonlar yapılmalıdır?

İşte plyr kullanarak tek satır varyantı ddply :

dt <- data.frame(age=rchisq(20,10),group=sample(1:2,20,rep=T))
ddply(dt,~group,summarise,mean=mean(age),sd=sd(age))

Yeni paket data.table kullanarak başka bir satır varyantı .

dtf <- data.frame(age=rchisq(100000,10),group=factor(sample(1:10,100000,rep=T)))
dt <- data.table(dtf)
dt[,list(mean=mean(age),sd=sd(age)),by=group]

Bu daha hızlıdır, ancak bu yalnızca 100k satır içeren tablolarda farkedilir. 2.53 Ghz Core 2 Duo işlemci ve R 2.11.1 ile Macbook Pro'mdaki zamanlamalar:

> system.time(aa <- ddply(dtf,~group,summarise,mean=mean(age),sd=sd(age)))
utilisateur     système      écoulé 
      0.513       0.180       0.692 
> system.time(aa <- dt[,list(mean=mean(age),sd=sd(age)),by=group])
utilisateur     système      écoulé 
      0.087       0.018       0.103 

Kullanırsak daha fazla tasarruf mümkündür setkey:

> setkey(dt,group)
> system.time(dt[,list(mean=mean(age),sd=sd(age)),by=group])
utilisateur     système      écoulé 
      0.040       0.007       0.048 

Bir olasılık, toplama işlevini kullanmaktır . Örneğin,

aggregate(data$age, by=list(data$group), FUN=mean)[2]

size istenen sonucun ikinci sütununu verir.

Bir veri çerçevesini değiştirdiğiniz için, dplyrpaket muhtemelen bunu yapmanın en hızlı yoludur.

library(dplyr)
dt <- data.frame(age=rchisq(20,10), group=sample(1:2,20, rep=T))
grp <- group_by(dt, group)
summarise(grp, mean=mean(age), sd=sd(age))

veya dplyr/ magrittrpipe operatörünü kullanarak eşdeğerde :

library(dplyr)
dt <- data.frame(age=rchisq(20,10), group=sample(1:2,20, rep=T))
group_by(dt, group) %>%
 summarise(mean=mean(age), sd=sd(age))

EDIT boru operatörünün tam kullanımı:

library(dplyr)
data.frame(age=rchisq(20,10), group=sample(1:2,20, rep=T)) %>%
  group_by(group) %>%
  summarise(mean=mean(age), sd=sd(age))

Harika, dplyr çözümünü eklediğiniz için teşekkürler!

O zaman, dplyr ve data.table'ın çok yakın olduğu ortaya çıktı:

library(plyr)
library(dplyr)
library(data.table)
library(rbenchmark)

dtf <- data.frame(age=rchisq(100000,10),group=factor(sample(1:10,100000,rep=T)))
dt <- data.table(dtf)

setkey(dt,group)

a<-benchmark(ddply(dtf,~group,plyr:::summarise,mean=mean(age),sd=sd(age)),
         dt[,list(mean=mean(age),sd=sd(age)),by=group],
         group_by(dt, group) %>% summarise(mean=mean(age),sd=sd(age) ),
         group_by(dtf, group) %>% summarise(mean=mean(age),sd=sd(age) )
)

a[, c(1,3,4)]

data.table, data.frame'de data.table'dan ilginç bir şekilde daha hızlı görünen dplyr () ile yakından takip ederek hala en hızlı olanıdır:

                                                              test elapsed relative
1 ddply(dtf, ~group, plyr:::summarise, mean = mean(age), sd = sd(age))   1.689    4.867
2               dt[, list(mean = mean(age), sd = sd(age)), by = group]   0.347    1.000
4   group_by(dtf, group) %>% summarise(mean = mean(age), sd = sd(age))   0.369    1.063
3    group_by(dt, group) %>% summarise(mean = mean(age), sd = sd(age))   0.580    1.671

Mevcut önerilere ek olarak describe.by, psychpaketteki işlevi kontrol etmek isteyebilirsiniz .

Bir gruplama değişkenine dayalı ortalama ve standart sapma dahil olmak üzere bir dizi tanımlayıcı istatistik sağlar.

Ben işlevi bulduk summaryByyılında Doby paketinin bunun için en uygun olduğu:

library(doBy)

age    = c(23.0883, 25.8344, 29.4648, 32.7858, 33.6372,
           34.935,  35.2115, 35.2115,  5.2115, 36.7803)
group  = c(1, 1, 1, 2, 1, 1, 2, 2, 2, 1)
dframe = data.frame(age=age, group=group)

summaryBy(age~group, data=dframe, FUN=c(mean, sd))
# 
#   group age.mean    age.sd
# 1     1 30.62333  5.415439
# 2     2 27.10507 14.640441

sqldfPaketi kullan . Bu, verileri özetlemek için şimdi SQL kullanmanıza izin verir. Bir kez yükledikten sonra gibi bir şey yazabilirsiniz -

sqldf('  select group,avg(age) from data group by group  ')

Düzenlendi: chl'nin önerisine göre

Aradığınız işleve, bir faktör tarafından belirtilen grup başına bir işlev uygulayan "tapply" denir.

# create some artificial data
set.seed(42)
groups <- 5

agedat <- c()
groupdat <- c()

for(group in 1:groups){
    agedat <- c(agedat,rnorm(100,mean=0 + group,1/group))
    groupdat <- c(groupdat,rep(group,100))
}
dat <- data.frame("age"=agedat,"group"=factor(groupdat))

# calculate mean and stdev age per group
res <- rbind.data.frame(group=1:5, with(dat, tapply(age, group, function(x) c(mean(x), sd(x)))))
names(res) <- paste("group",1:5)
row.names(res)[2:3] <- c("mean","sd")

Gerçekten yaygın olarak kullanılan tüm veri yapılarını ve yöntemlerini açıklayan temel bir çalışma kılavuzu ile çalışmanızı öneririm. Aksi takdirde, programlama sırasında her santim sıkışmış olacaksınız. Ücretsiz kullanılabilir kaynakların toplanması için bu soruya bakın .

Bir aggregates()süre önce kendim yaptığım işleve bir örnek :

# simulates data
set.seed(666)
( dat <- data.frame(group=gl(3,6), level=factor(rep(c("A","B","C"), 6)), 
                    y=round(rnorm(18,10),1)) )

> dat
   group level    y
1      1     A 10.8
2      1     B 12.0
3      1     C  9.6
4      1     A 12.0
5      1     B  7.8
6      1     C 10.8
7      2     A  8.7
8      2     B  9.2
9      2     C  8.2
10     2     A 10.0
11     2     B 12.2
12     2     C  8.2
13     3     A 10.9
14     3     B  8.3
15     3     C 10.1
16     3     A  9.9
17     3     B 10.9
18     3     C 10.3

# aggregates() function
aggregates <- function(formula, data=NULL, FUNS){ 
    if(class(FUNS)=="list"){ 
        f <- function(x) sapply(FUNS, function(fun) fun(x)) 
    }else{f <- FUNS} 
    temp <- aggregate(formula, data, f) 
    out <- data.frame(temp[,-ncol(temp)], temp[,ncol(temp)]) 
    colnames(out)[1] <- colnames(temp)[1] 
return(out) 
} 

# example 
FUNS <- function(x) c(mean=round(mean(x),0), sd=round(sd(x), 0)) 
( ag <- aggregates(y~group:level, data=dat, FUNS=FUNS) ) 

Aşağıdaki sonucu verir:

> ag
  group level mean sd
1     1     A   11  1
2     2     A    9  1
3     3     A   10  1
4     1     B   10  3
5     2     B   11  2
6     3     B   10  2
7     1     C   10  1
8     2     C    8  0
9     3     C   10  0

Belki aynı sonucu R işlevinden başlayarak split ():

> with(dat, sapply( split(y, group:level), FUNS ) )
     1:A 1:B 1:C 2:A 2:B 2:C 3:A 3:B 3:C
mean  11  10  10   9  11   8  10  10  10
sd     1   3   1   1   2   0   1   2   0

aggregatesFonksiyonun çıktısına geri döneyim. Sen kullanarak güzel bir tabloda dönüştürebilir reshape(), xtabs()ve ftable():

rag <- reshape(ag, varying=list(3:4), direction="long", v.names="y") 
rag$time <- factor(rag$time) 
ft <- ftable(xtabs(y~group+level+time, data=rag)) 
attributes(ft)$col.vars <- list(c("mean","sd")) 

Bu verir:

> ft 
             mean sd
group level         
1     A        11  1
      B        10  3
      C        10  1
2     A         9  1
      B        11  2
      C         8  0
3     A        10  1
      B        10  2
      C        10  0

Güzel değil mi? Paketin textplot()işleviyle bu tabloyu bir pdf dosyasına aktarabilirsiniz gplots.

Başkalarının çözümleri için buraya bakın .