关于 R:R – 摘要(数据)和摘要(数据$变量)的差异


R - Discrepancy in summary(data) and summary(data$variable)

我有一个包含 61 个观察值和 2 个变量的数据集。当我汇总整个数据时，第二个变量的分位数、中位数、平均值和最大值有时与我仅从第二个变量汇总得到的结果不同。这是为什么呢？

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
32
33
34
35
data <- read.csv("testdata.csv")

head(data)
#   Group.1     x
# 1 10/1/12     0
# 2 10/2/12   126
# 3 10/3/12 11352
# 4 10/4/12 12116
# 5 10/5/12 13294
# 6 10/6/12 15420

summary(data)
#   Group.1           x        
# 10/1/12 : 1   Min.   :    0  
# 10/10/12: 1   1st Qu.: 6778  
# 10/11/12: 1   Median :10395  
# 10/12/12: 1   Mean   : 9354  
# 10/13/12: 1   3rd Qu.:12811  
# 10/14/12: 1   Max.   :21194  
# (Other) :55            

summary(data[2])
#       x        
# Min.   :    0  
# 1st Qu.: 6778  
# Median :10395  
# Mean   : 9354  
# 3rd Qu.:12811  
# Max.   :21194  

# The following code yield different result:

summary(data$x)
# Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
# 0    6778   10400    9354   12810   21190
相关讨论

@r2evans\\' 的注释是正确的，因为差异是由 summary.data.frame 和 summary.default 的差异引起的。

两种方法的 digits 的默认值都是 max(3L, getOption("digits") - 3L)。如果您没有更改您的选项，这将评估为 4L。但是，这两种方法在格式化输出时使用它们的 digits 参数不同，这就是两种方法输出不同的原因。来自 ?summary:

digits: integer, used for number formatting with signif() (for summary.default) or format() (for summary.data.frame).

假设我们在问题中有x的汇总统计向量：

1
2
3
4
q <- append(quantile(data$x), mean(data$x), after = 3L)
q
##   0%      25%      50%               75%     100%
## 0.00  6778.00 10395.00  9354.23 12811.00 21194.00

在 summary.default 中，输出使用 signif 进行格式化，将其输入四舍五入为提供的有效 digits 数：

1
2
3
signif(q, digits = 4L)
## 0%   25%   50%         75%  100%
##  0  6778 10400  9354 12810 21190

而 summary.data.frame 使用 format，它使用它的 digits 参数作为要显示的有效位数的建议 (?format)：

1
2
3
format(q, digits = 4L)
##      0%     25%     50%             75%    100%
##"    0"" 6778""10395"" 9354""12811""21194"

因此，当使用默认的 digits 参数值 4 时，summary.default(data$x) 会将 5 位分位数舍入为仅 4 位有效数字；但 summary.data.frame(data[2]) 显示 5 位分位数，但不进行四舍五入。

如果您明确提供大于 4 的 digits 参数，您将得到相同的结果：

1
2
3
4
5
6
7
8
9
10
11
12
summary(data[2], digits = 5L)
##        x          
## Min.   :    0.0  
## 1st Qu.: 6778.0  
## Median :10395.0  
## Mean   : 9354.2  
## 3rd Qu.:12811.0  
## Max.   :21194.0  

summary(data$x, digits = 5L)
##   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
##    0.0  6778.0 10395.0  9354.2 12811.0 21194.0

作为两个方法与默认digits的区别的极端例子：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
df <- data.frame(a = 1e5 + 0:100)

summary(df$a)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
##  100000  100000  100000  100000  100100  100100

summary(df)
##       a        
## Min.   :100000  
## 1st Qu.:100025  
## Median :100050  
## Mean   :100050  
## 3rd Qu.:100075  
## Max.   :100100