प्रति समूह के कई चर एकत्र / संक्षेप करें (उदाहरण राशि, माध्य)

154

एक डेटा फ्रेम से, वहाँ एक आसान तरीका (एकत्र करने के लिए है sum, mean, maxएक साथ एट ग) कई चर?

नीचे कुछ नमूना डेटा दिए गए हैं:

library(lubridate)
days = 365*2
date = seq(as.Date("2000-01-01"), length = days, by = "day")
year = year(date)
month = month(date)
x1 = cumsum(rnorm(days, 0.05)) 
x2 = cumsum(rnorm(days, 0.05))
df1 = data.frame(date, year, month, x1, x2)

मैं एक साथ वर्ष और महीने तक डेटा फ्रेम से x1और x2चर को एक साथ जोड़ना चाहूंगा df2। निम्नलिखित कोड x1चर को एकत्रित करता है, लेकिन क्या चर को एक साथ एकत्रित करना भी संभव है x2?

### aggregate variables by year month
df2=aggregate(x1 ~ year+month, data=df1, sum, na.rm=TRUE)
head(df2)

किसी भी सुझाव के लिए बहुत आभार होगा।

r  dataframe  data.table  aggregate  r-faq 
— MikeTP
स्रोत

जवाबों:

45

यह year()समारोह कहां से है?

आप reshape2इस कार्य के लिए पैकेज का उपयोग भी कर सकते हैं :

require(reshape2)
df_melt <- melt(df1, id = c("date", "year", "month"))
dcast(df_melt, year + month ~ variable, sum)
#  year month         x1           x2
1  2000     1  -80.83405 -224.9540159
2  2000     2 -223.76331 -288.2418017
3  2000     3 -188.83930 -481.5601913
4  2000     4 -197.47797 -473.7137420
5  2000     5 -259.07928 -372.4563522
— ईडीआई
स्रोत
8
recastसमारोह (भी से reshape2) को एकीकृत meltऔर dcast: इस तरह के कार्यों के लिए एक ही बार में समारोहrecast(df1, year + month ~ variable, sum, id.var = c("date", "year", "month"))
— जाप
184

हां, आपके formula, आप cbindसांख्यिक चर को एकत्रित कर सकते हैं :

aggregate(cbind(x1, x2) ~ year + month, data = df1, sum, na.rm = TRUE)
   year month         x1          x2
1  2000     1   7.862002   -7.469298
2  2001     1 276.758209  474.384252
3  2000     2  13.122369 -128.122613
...
23 2000    12  63.436507  449.794454
24 2001    12 999.472226  922.726589

देखें ?aggregate, formulaतर्क और उदाहरण।

— Andrie
स्रोत
3
क्या यह संभव है कि cbind डायनामिक वैरिएबल का उपयोग करे?
— पीडीबी
14
यह ध्यान देने योग्य है कि जब कोई भी चर cbind में होता है तो NA होता है पंक्ति को cbind में प्रत्येक चर के लिए छोड़ दिया जाएगा। यह वह व्यवहार नहीं है जिसकी मैं अपेक्षा कर रहा था।
— pdb
1
क्या होगा यदि मैं X1 और x2 के बजाय सभी शेष चर (वर्ष, माह के अलावा) का उपयोग करना चाहता हूं
— क्लॉक स्लेव
7
@ClockSlave, तो आपको केवल .LHS पर उपयोग करने की आवश्यकता है । aggregate(. ~ year + month, df1, sum, na.rm = TRUE)। इस उदाहरण में, sum"तारीख" से कोई मतलब नहीं है ....
— A5C1D2H2I1M1N2O1R2T1 3
5
क्या होगा अगर मैं दो चर नहीं बल्कि दो कार्य करना चाहता हूँ ?. उदाहरण के लिए माध्य और sd।
— स्केन
51

data.tableपैकेज का उपयोग करना , जो तेज है (बड़े डेटासेट के लिए उपयोगी है)

https://github.com/Rdatatable/data.table/wiki 

library(data.table)
df2 <- setDT(df1)[, lapply(.SD, sum), by=.(year, month), .SDcols=c("x1","x2")]
setDF(df2) # convert back to dataframe

प्लाई पैकेज का उपयोग करना

require(plyr)
df2 <- ddply(df1, c("year", "month"), function(x) colSums(x[c("x1", "x2")]))

Hmisc पैकेज से सारांश () का उपयोग करते हुए (कॉलम शीर्षक मेरे उदाहरण में गन्दा हैं)

# need to detach plyr because plyr and Hmisc both have a summarize()
detach(package:plyr)
require(Hmisc)
df2 <- with(df1, summarize( cbind(x1, x2), by=llist(year, month), FUN=colSums))
— नंबर क्रंचर
स्रोत
डेटाटेबल विकल्प के लिए ऐसा क्यों नहीं करते dt[, .(x1.sum = sum(x1), x2.sum = sum(x2), by = c(year, month):?
— Bulat
48

साथ dplyrपैकेज, आप उपयोग कर सकते हैं summarise_all, summarise_atया summarise_ifकार्यों एक साथ कई चर एकत्र करने के लिए। उदाहरण के लिए डाटासेट आप इस प्रकार कर सकते हैं:

library(dplyr)
# summarising all non-grouping variables
df2 <- df1 %>% group_by(year, month) %>% summarise_all(sum)

# summarising a specific set of non-grouping variables
df2 <- df1 %>% group_by(year, month) %>% summarise_at(vars(x1, x2), sum)
df2 <- df1 %>% group_by(year, month) %>% summarise_at(vars(-date), sum)

# summarising a specific set of non-grouping variables using select_helpers
# see ?select_helpers for more options
df2 <- df1 %>% group_by(year, month) %>% summarise_at(vars(starts_with('x')), sum)
df2 <- df1 %>% group_by(year, month) %>% summarise_at(vars(matches('.*[0-9]')), sum)

# summarising a specific set of non-grouping variables based on condition (class)
df2 <- df1 %>% group_by(year, month) %>% summarise_if(is.numeric, sum)

बाद के दो विकल्पों का परिणाम:

    year month        x1         x2
   <dbl> <dbl>     <dbl>      <dbl>
1   2000     1 -73.58134  -92.78595
2   2000     2 -57.81334 -152.36983
3   2000     3 122.68758  153.55243
4   2000     4 450.24980  285.56374
5   2000     5 678.37867  384.42888
6   2000     6 792.68696  530.28694
7   2000     7 908.58795  452.31222
8   2000     8 710.69928  719.35225
9   2000     9 725.06079  914.93687
10  2000    10 770.60304  863.39337
# ... with 14 more rows

नोट: के summarise_eachपक्ष में पदावनत किया जाता है summarise_all, summarise_atऔर summarise_if।

जैसा कि ऊपर मेरी टिप्पणी में उल्लेख किया गया है , आप -पैकेज recastसे फ़ंक्शन का उपयोग कर सकते हैं reshape2:

library(reshape2)
recast(df1, year + month ~ variable, sum, id.var = c("date", "year", "month"))

जो आपको वही परिणाम देगा।

— जाप
स्रोत
8

दिलचस्प बात यह है कि बेस आर aggregateका data.frameतरीका यहां नहीं दिखाया गया है, ऊपर फॉर्मूला इंटरफेस का उपयोग किया जाता है, इसलिए पूर्णता के लिए:

aggregate(
  x = df1[c("x1", "x2")],
  by = df1[c("year", "month")],
  FUN = sum, na.rm = TRUE
)

एग्रीगेट के डेटा.फ्रेम विधि का अधिक सामान्य उपयोग:

चूंकि हम एक प्रदान कर रहे हैं

  • data.frameके रूप में xऔर
  • a list( data.frameयह भी है list) के रूप में by, यह बहुत उपयोगी है अगर हमें इसे गतिशील तरीके से उपयोग करने की आवश्यकता है, उदाहरण के लिए अन्य स्तंभों का उपयोग करके और कुल मिलाकर बहुत सरल है
  • कस्टम-निर्मित एकत्रीकरण कार्यों के साथ भी

जैसे उदाहरण के लिए:

colsToAggregate <- c("x1")
aggregateBy <- c("year", "month")
dummyaggfun <- function(v, na.rm = TRUE) {
  c(sum = sum(v, na.rm = na.rm), mean = mean(v, na.rm = na.rm))
}

aggregate(df1[colsToAggregate], by = df1[aggregateBy], FUN = dummyaggfun)
— जोज़ेफ़
स्रोत
1

(संस्करण - ) के develसंस्करण के साथ , हम कई कॉलमों पर फ़ंक्शन को लागू करने के लिए भी उपयोग कर सकते हैंdplyr‘0.8.99.9000’summariseacross

library(dplyr)
df1 %>% 
    group_by(year, month) %>%
    summarise(across(starts_with('x'), sum))
# A tibble: 24 x 4
# Groups:   year [2]
#    year month     x1     x2
#   <dbl> <dbl>  <dbl>  <dbl>
# 1  2000     1   11.7  52.9 
# 2  2000     2  -74.1 126.  
# 3  2000     3 -132.  149.  
# 4  2000     4 -130.    4.12
# 5  2000     5  -91.6 -55.9 
# 6  2000     6  179.   73.7 
# 7  2000     7   95.0 409.  
# 8  2000     8  255.  283.  
# 9  2000     9  489.  331.  
#10  2000    10  719.  305.  
# … with 14 more rows
— akrun
स्रोत
1

डेटा एकत्रीकरण के लिए अधिक लचीले और तेज़ दृष्टिकोण के लिए, CRAN पर उपलब्ध पतन R पैकेज collapमें फ़ंक्शन देखें:

library(collapse)
# Simple aggregation with one function
head(collap(df1, x1 + x2 ~ year + month, fmean))

  year month        x1        x2
1 2000     1 -1.217984  4.008534
2 2000     2 -1.117777 11.460301
3 2000     3  5.552706  8.621904
4 2000     4  4.238889 22.382953
5 2000     5  3.124566 39.982799
6 2000     6 -1.415203 48.252283

# Customized: Aggregate columns with different functions
head(collap(df1, x1 + x2 ~ year + month, 
      custom = list(fmean = c("x1", "x2"), fmedian = "x2")))

  year month  fmean.x1  fmean.x2 fmedian.x2
1 2000     1 -1.217984  4.008534   3.266968
2 2000     2 -1.117777 11.460301  11.563387
3 2000     3  5.552706  8.621904   8.506329
4 2000     4  4.238889 22.382953  20.796205
5 2000     5  3.124566 39.982799  39.919145
6 2000     6 -1.415203 48.252283  48.653926

# You can also apply multiple functions to all columns
head(collap(df1, x1 + x2 ~ year + month, list(fmean, fmin, fmax)))

  year month  fmean.x1    fmin.x1  fmax.x1  fmean.x2   fmin.x2  fmax.x2
1 2000     1 -1.217984 -4.2460775 1.245649  4.008534 -1.720181 10.47825
2 2000     2 -1.117777 -5.0081858 3.330872 11.460301  9.111287 13.86184
3 2000     3  5.552706  0.1193369 9.464760  8.621904  6.807443 11.54485
4 2000     4  4.238889  0.8723805 8.627637 22.382953 11.515753 31.66365
5 2000     5  3.124566 -1.5985090 7.341478 39.982799 31.957653 46.13732
6 2000     6 -1.415203 -4.6072295 2.655084 48.252283 42.809211 52.31309

# When you do that, you can also return the data in a long format
head(collap(df1, x1 + x2 ~ year + month, list(fmean, fmin, fmax), return = "long"))

  Function year month        x1        x2
1    fmean 2000     1 -1.217984  4.008534
2    fmean 2000     2 -1.117777 11.460301
3    fmean 2000     3  5.552706  8.621904
4    fmean 2000     4  4.238889 22.382953
5    fmean 2000     5  3.124566 39.982799
6    fmean 2000     6 -1.415203 48.252283

ध्यान दें : आप की तरह आधार कार्यों का उपयोग कर सकते हैं mean, maxके साथ आदि collap, लेकिन fmean, fmaxआदि सी ++ आधारित वर्गीकृत किया में की पेशकश कार्य हैं पतन जो काफी तेज हैं पैकेज (यानी बड़े डेटा एकत्रित पर प्रदर्शन के रूप में ही है data.table जबकि अधिक से अधिक लचीलापन प्रदान, और इन तेजी से समूहीकृत कार्यों का उपयोग बिना भी किया जा सकता है collap)।

नोट 2collapनोट : लचीली मल्टीसिटी डेटा एकत्रीकरण का भी समर्थन करता है, जिसे आप निश्चित रूप से customतर्क का उपयोग कर सकते हैं, लेकिन आप अर्ध-स्वचालित तरीके से संख्यात्मक और गैर-संख्यात्मक स्तंभों के लिए भी कार्य कर सकते हैं:

# wlddev is a data set of World Bank Indicators provided in the collapse package
head(wlddev)

      country iso3c       date year decade     region     income  OECD PCGDP LIFEEX GINI       ODA
1 Afghanistan   AFG 1961-01-01 1960   1960 South Asia Low income FALSE    NA 32.292   NA 114440000
2 Afghanistan   AFG 1962-01-01 1961   1960 South Asia Low income FALSE    NA 32.742   NA 233350000
3 Afghanistan   AFG 1963-01-01 1962   1960 South Asia Low income FALSE    NA 33.185   NA 114880000
4 Afghanistan   AFG 1964-01-01 1963   1960 South Asia Low income FALSE    NA 33.624   NA 236450000
5 Afghanistan   AFG 1965-01-01 1964   1960 South Asia Low income FALSE    NA 34.060   NA 302480000
6 Afghanistan   AFG 1966-01-01 1965   1960 South Asia Low income FALSE    NA 34.495   NA 370250000

# This aggregates the data, applying the mean to numeric and the statistical mode to categorical columns
head(collap(wlddev, ~ iso3c + decade, FUN = fmean, catFUN = fmode))

  country iso3c       date   year decade                     region      income  OECD    PCGDP   LIFEEX GINI      ODA
1   Aruba   ABW 1961-01-01 1962.5   1960 Latin America & Caribbean  High income FALSE       NA 66.58583   NA       NA
2   Aruba   ABW 1967-01-01 1970.0   1970 Latin America & Caribbean  High income FALSE       NA 69.14178   NA       NA
3   Aruba   ABW 1976-01-01 1980.0   1980 Latin America & Caribbean  High income FALSE       NA 72.17600   NA 33630000
4   Aruba   ABW 1987-01-01 1990.0   1990 Latin America & Caribbean  High income FALSE 23677.09 73.45356   NA 41563333
5   Aruba   ABW 1996-01-01 2000.0   2000 Latin America & Caribbean  High income FALSE 26766.93 73.85773   NA 19857000
6   Aruba   ABW 2007-01-01 2010.0   2010 Latin America & Caribbean  High income FALSE 25238.80 75.01078   NA       NA

# Note that by default (argument keep.col.order = TRUE) the column order is also preserved
— सेबस्टियन
स्रोत
0

पार्टी के लिए देर से, लेकिन हाल ही में सारांश आँकड़े प्राप्त करने का एक और तरीका मिला।

library(psych) describe(data)

विल आउटपुट: माध्य, न्यूनतम, अधिकतम, मानक विचलन, n, मानक त्रुटि, कर्टोसिस, तिरछापन, माध्यिका और प्रत्येक चर के लिए सीमा।

— ब्रिट
स्रोत
सवाल समूह द्वारा एकत्रीकरण करने के बारे में है , लेकिन समूह द्वाराdescribe कुछ भी नहीं किया जाता ...
— ग्रेगर थॉमस
describe.by(column, group = grouped_column)इच्छा समूह मूल्यों
— ब्रिट
4
खैर, जवाब में है कि डाल दिया! यह एक टिप्पणी में छिपा मत करो!
— ग्रेगर थॉमस
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.