关于r:在一次调用中按组对几个变量应用几个汇总函数

Apply several summary functions on several variables by group in one call

我有以下数据框

1
2
3
4
5
6
7
8
9
x <- read.table(text ="  id1 id2 val1 val2
1   a   x    1    9
2   a   x    2    4
3   a   y    3    5
4   a   y    4    9
5   b   x    1    7
6   b   y    4    4
7   b   x    3    9
8   b   y    2    8", header = TRUE)

我想计算按id1和id2分组的val1和val2的平均值,并同时计算每个id1-id2组合的行数。 我可以分别执行每个计算:

1
2
3
4
5
# calculate mean
aggregate(. ~ id1 + id2, data = x, FUN = mean)

# count rows
aggregate(. ~ id1 + id2, data = x, FUN = length)

为了在一次调用中进行两种计算,我尝试了

1
do.call("rbind", aggregate(. ~ id1 + id2, data = x, FUN = function(x) data.frame(m = mean(x), n = length(x))))

但是,我得到一个乱码输出和一个警告:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
#     m   n
# id1 1   2
# id2 1   1
#     1.5 2
#     2   2
#     3.5 2
#     3   2
#     6.5 2
#     8   2
#     7   2
#     6   2
# Warning message:
#   In rbind(id1 = c(1L, 2L, 1L, 2L), id2 = c(1L, 1L, 2L, 2L), val1 = list( :
#   number of columns of result is not a multiple of vector length (arg 1)

我可以使用plyr包,但是当数据集的大小增加时,我的数据集很大并且plyr非常慢(几乎无法使用)。

如何在一个调用中使用aggregate或其他函数执行多个计算?


您可以一步一步完成所有步骤并获得正确的标签:

1
2
3
4
5
6
> aggregate(. ~ id1+id2, data = x, FUN = function(x) c(mn = mean(x), n = length(x) ) )
#   id1 id2 val1.mn val1.n val2.mn val2.n
# 1   a   x     1.5    2.0     6.5    2.0
# 2   b   x     2.0    2.0     8.0    2.0
# 3   a   y     3.5    2.0     7.0    2.0
# 4   b   y     3.0    2.0     6.0    2.0

这将创建一个具有两个id列和两个矩阵列的数据框:

1
2
3
4
5
6
7
8
9
10
11
12
str( aggregate(. ~ id1+id2, data = x, FUN = function(x) c(mn = mean(x), n = length(x) ) ) )
'data.frame':   4 obs. of  4 variables:
 $ id1 : Factor w/ 2 levels"a","b": 1 2 1 2
 $ id2 : Factor w/ 2 levels"x","y": 1 1 2 2
 $ val1: num [1:4, 1:2] 1.5 2 3.5 3 2 2 2 2
  ..- attr(*,"dimnames")=List of 2
  .. ..$ : NULL
  .. ..$ : chr "mn""n"
 $ val2: num [1:4, 1:2] 6.5 8 7 6 2 2 2 2
  ..- attr(*,"dimnames")=List of 2
  .. ..$ : NULL
  .. ..$ : chr "mn""n"

如下面的@ lord.garbage所指出的,可以使用do.call(data.frame, ...)将其转换为带有"简单"列的数据框。

1
2
3
4
5
6
7
8
9
str( do.call(data.frame, aggregate(. ~ id1+id2, data = x, FUN = function(x) c(mn = mean(x), n = length(x) ) ) )
    )
'data.frame':   4 obs. of  6 variables:
 $ id1    : Factor w/ 2 levels"a","b": 1 2 1 2
 $ id2    : Factor w/ 2 levels"x","y": 1 1 2 2
 $ val1.mn: num  1.5 2 3.5 3
 $ val1.n : num  2 2 2 2
 $ val2.mn: num  6.5 8 7 6
 $ val2.n : num  2 2 2 2

这是LHS上多个变量的语法:

1
aggregate(cbind(val1, val2) ~ id1 + id2, data = x, FUN = function(x) c(mn = mean(x), n = length(x) ) )


鉴于这个问题:

I could use the plyr package, but my data set is quite large and plyr is very slow (almost unusable) when the size of the dataset grows.

然后在data.table(1.9.4+)中,您可以尝试:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
> DT
   id1 id2 val1 val2
1:   a   x    1    9
2:   a   x    2    4
3:   a   y    3    5
4:   a   y    4    9
5:   b   x    1    7
6:   b   y    4    4
7:   b   x    3    9
8:   b   y    2    8

> DT[ , .(mean(val1), mean(val2), .N), by = .(id1, id2)]   # simplest
   id1 id2  V1  V2 N
1:   a   x 1.5 6.5 2
2:   a   y 3.5 7.0 2
3:   b   x 2.0 8.0 2
4:   b   y 3.0 6.0 2

> DT[ , .(val1.m = mean(val1), val2.m = mean(val2), count = .N), by = .(id1, id2)]  # named
   id1 id2 val1.m val2.m count
1:   a   x    1.5    6.5     2
2:   a   y    3.5    7.0     2
3:   b   x    2.0    8.0     2
4:   b   y    3.0    6.0     2

> DT[ , c(lapply(.SD, mean), count = .N), by = .(id1, id2)]   # mean over all columns
   id1 id2 val1 val2 count
1:   a   x  1.5  6.5     2
2:   a   y  3.5  7.0     2
3:   b   x  2.0  8.0     2
4:   b   y  3.0  6.0     2

有关将aggregate(有问题和其他3个答案)与data.table进行比较的时间,请参见
此基准(aggagg.x案例)。


使用dplyr包可以通过使用summarise_all来实现。使用此汇总功能,您可以将其他功能(在本例中为meann())应用于每个非分组列:

1
2
3
x %>%
  group_by(id1, id2) %>%
  summarise_all(funs(mean, n()))

这使:

1
2
3
4
5
     id1    id2 val1_mean val2_mean val1_n val2_n
1      a      x       1.5       6.5      2      2
2      a      y       3.5       7.0      2      2
3      b      x       2.0       8.0      2      2
4      b      y       3.0       6.0      2      2

如果您不想将功能应用到所有非分组列,请指定要应用这些功能的列,或者使用summarise_at()函数用减号将不需要的列排除在外:

1
2
3
4
5
6
7
8
9
# inclusion
x %>%
  group_by(id1, id2) %>%
  summarise_at(vars(val1, val2), funs(mean, n()))

# exclusion
x %>%
  group_by(id1, id2) %>%
  summarise_at(vars(-val2), funs(mean, n()))

您可以添加一个count列,并与sum聚合,然后缩小以获取mean

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
x$count <- 1
agg <- aggregate(. ~ id1 + id2, data = x,FUN = sum)
agg
#   id1 id2 val1 val2 count
# 1   a   x    3   13     2
# 2   b   x    4   16     2
# 3   a   y    7   14     2
# 4   b   y    6   12     2

agg[c("val1","val2")] <- agg[c("val1","val2")] / agg$count
agg
#   id1 id2 val1 val2 count
# 1   a   x  1.5  6.5     2
# 2   b   x  2.0  8.0     2
# 3   a   y  3.5  7.0     2
# 4   b   y  3.0  6.0     2

它的优点是保留您的列名并创建一个count列。


也许您想合并?

1
2
3
4
5
6
7
8
9
10
x.mean <- aggregate(. ~ id1+id2, p, mean)
x.len  <- aggregate(. ~ id1+id2, p, length)

merge(x.mean, x.len, by = c("id1","id2"))

  id1 id2 val1.x val2.x val1.y val2.y
1   a   x    1.5    6.5      2      2
2   a   y    3.5    7.0      2      2
3   b   x    2.0    8.0      2      2
4   b   y    3.0    6.0      2      2

您还可以使用plyr::each()引入多种功能:

1
aggregate(cbind(val1, val2) ~ id1 + id2, data = x, FUN = plyr::each(avg = mean, n = length))

另一个dplyr选项是across,它是当前开发版本的一部分

1
2
3
4
5
6
#devtools::install_github("tidyverse/dplyr")
library(dplyr)

x %>%
  group_by(id1, id2) %>%
  summarise(across(starts_with("val"), list(mean = mean, n = length)))

结果

1
2
3
4
5
6
7
8
# A tibble: 4 x 4
# Groups:   id1 [2]
  id1   id2   mean$val1 $val2 n$val1 $val2
  <fct> <fct>     <dbl> <dbl>  <int> <int>
1 a     x           1.5   6.5      2     2
2 a     y           3.5   7        2     2
3 b     x           2     8        2     2
4 b     y           3     6        2     2
1
2
packageVersion("dplyr")
[1] ‘0.8.99.9000’