Wie fasse ich Daten nach Gruppen in R zusammen? [geschlossen]

Ich habe R Datenrahmen wie folgt:

        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
...

Ich muss den Datenrahmen in der folgenden Form erhalten:

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

Die Gruppennummer kann variieren, aber ihre Namen und Anzahl können durch einen Anruf erhalten werden levels(factor(data$group))

Welche Manipulationen sollten mit den Daten durchgeführt werden, um das Ergebnis zu erhalten?

Hier ist die plyr eine Zeile Variante 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))

Hier ist eine weitere einzeilige Variante mit der neuen Paketdatei data.table .

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]

Dieser ist schneller, obwohl dies nur bei Tabellen mit 100.000 Zeilen auffällt. Timings auf meinem Macbook Pro mit 2.53 Ghz Core 2 Duo Prozessor und R 2.11.1:

> 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 

Weitere Einsparungen sind möglich, wenn wir verwenden 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 

Eine Möglichkeit ist die Verwendung der Aggregatfunktion . Zum Beispiel,

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

gibt Ihnen die zweite Spalte des gewünschten Ergebnisses.

Da Sie einen Datenrahmen bearbeiten, ist das dplyrPaket wahrscheinlich der schnellste Weg, dies zu tun.

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))

oder gleichwertig mit dem Operator dplyr/ magrittrpipe:

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))

BEARBEITEN Sie die vollständige Verwendung des Pipe-Operators:

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))

Toll, danke bquast für das Hinzufügen der Dplyr-Lösung!

Es stellt sich heraus, dass dplyr und data.table sehr nahe beieinander liegen:

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 ist immer noch die schnellste, gefolgt von dplyr (), die auf dem data.frame interessanterweise schneller zu sein scheint als die data.table:

                                                              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

Zusätzlich zu vorhandenen Vorschlägen möchten Sie möglicherweise die describe.byFunktion im psychPaket überprüfen .

Es bietet eine Reihe von beschreibenden Statistiken, einschließlich des Mittelwerts und der Standardabweichung basierend auf einer Gruppierungsvariablen.

Ich habe festgestellt, dass die Funktion summaryByim doBy-Paket hierfür am bequemsten ist:

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

Verwenden Sie das sqldfPaket. Auf diese Weise können Sie jetzt SQL verwenden, um die Daten zusammenzufassen. Sobald Sie es geladen haben, können Sie Folgendes schreiben:

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

Bearbeitet: Nach den Vorschlägen von chl

Die gesuchte Funktion heißt "tapply" und wendet eine Funktion pro Gruppe an, die durch einen Faktor angegeben wird.

# 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")

Ich empfehle dringend, ein grundlegendes R-Tutorial durchzuarbeiten, in dem alle gängigen Datenstrukturen und Methoden erläutert werden. Andernfalls stecken Sie bei der Programmierung jeden Zentimeter fest. In dieser Frage finden Sie eine Sammlung frei verfügbarer Ressourcen.

Hier ist ein Beispiel mit der Funktion, aggregates()die ich vor einiger Zeit selbst gemacht habe:

# 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) ) 

Es ergibt sich folgendes Ergebnis:

> 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

Vielleicht können Sie das gleiche Ergebnis ausgehend von der R-Funktion split () erhalten:

> 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

Lassen Sie mich noch einmal auf die Ausgabe der aggregatesFunktion zurückkommen . Sie können es in einem schönen Tisch - Transformation reshape(), xtabs()und 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")) 

Das gibt:

> 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

Schön, nicht wahr? Sie können diese Tabelle mit der textplot()Funktion des gplotsPakets in ein PDF exportieren .

Sehen Sie hier für andere Lösungen.