Làm thế nào để tóm tắt dữ liệu theo nhóm trong R? [đóng cửa]

Tôi có khung dữ liệu R như thế này:

        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
...

Tôi cần lấy khung dữ liệu theo mẫu sau:

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

Số nhóm có thể khác nhau, nhưng tên và số lượng của họ có thể nhận được bằng cách gọi levels(factor(data$group))

Những thao tác nào nên được thực hiện với dữ liệu để có kết quả?

Đây là plyr một dòng biến thể sử dụng 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))

Dưới đây là một biến thể một dòng sử dụng gói mới 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]

Cái này nhanh hơn, mặc dù điều này chỉ đáng chú ý trên bảng với 100k hàng. Thời gian trên Macbook Pro của tôi với bộ xử lý 2.53 Ghz Core 2 Duo và 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 

Tiết kiệm hơn nữa là có thể nếu chúng ta sử dụng 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 

Một khả năng là sử dụng hàm tổng hợp . Ví dụ,

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

cung cấp cho bạn cột thứ hai của kết quả mong muốn.

Vì bạn đang thao tác một khung dữ liệu, nên dplyrgói có lẽ là cách nhanh hơn để làm điều đó.

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))

hoặc tương đương, sử dụng toán tử 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))

EDIT sử dụng đầy đủ của nhà điều hành đường ống:

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))

Tuyệt vời, cảm ơn bquast đã thêm giải pháp dplyr!

Hóa ra sau đó, dplyr và data.table rất gần nhau:

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 vẫn là nhanh nhất, được theo dõi rất chặt chẽ bởi dplyr (), điều thú vị có vẻ nhanh hơn trên data.frame so với 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

Ngoài các đề xuất hiện có, bạn có thể muốn kiểm tra describe.bychức năng trong psychgói.

Nó cung cấp một số thống kê mô tả bao gồm độ lệch trung bình và độ lệch chuẩn dựa trên một biến nhóm.

Tôi đã tìm thấy chức năng summaryBytrong gói doBy để thuận tiện nhất cho việc này:

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

Sử dụng sqldfgói. Điều này cho phép bạn sử dụng SQL để tóm tắt dữ liệu. Khi bạn tải nó, bạn có thể viết một cái gì đó như -

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

Đã chỉnh sửa: Theo đề xuất của chl

Hàm bạn đang tìm kiếm được gọi là "tapply", áp dụng một hàm cho mỗi nhóm được chỉ định bởi một yếu tố.

# 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")

Tôi thực sự đề nghị làm việc thông qua một hướng dẫn R cơ bản giải thích tất cả các phương pháp và cơ sở dữ liệu thường được sử dụng. Nếu không, bạn sẽ bị kẹt mỗi inch trong khi lập trình. Xem câu hỏi này cho một bộ sưu tập các tài nguyên có sẵn miễn phí.

Đây là một ví dụ với chức năng aggregates()tôi đã tự làm cách đây một thời gian:

# 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) ) 

Nó cho kết quả như sau:

> 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

Có lẽ bạn có thể nhận được kết quả tương tự bắt đầu từ hàm R 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

Hãy để tôi trở lại đầu ra của aggregateshàm. Bạn có thể biến nó trong một bảng đẹp sử dụng reshape(), xtabs()và 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")) 

Điều này mang lại:

> 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

Đẹp phải không? Bạn có thể xuất bảng này sang pdf với textplot()chức năng củagplots gói.

Xem ở đây để biết giải pháp của người khác.