columns - Media por grupo en un data.frame

r aggregate multiple columns

Question

Esta pregunta ya tiene una respuesta aquí:

• Agregue / resuma múltiples variables por grupo (ej. Suma, media) 4 respuestas

Tengo un data.frame y necesito calcular la media por grupo (es decir, por Month , a continuación).

Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32

Mi salida deseada es como abajo, donde los valores para Rate1 y Rate2 son los medios del grupo. Por favor, ignore el valor, lo inventé para el ejemplo.

Name Rate1 Rate2
Aira 23.21 12.2
Ben 45.23 43.9
Cat 33.22 32.2

Answer 1

Aquí hay una variedad de maneras de hacer esto en la base R incluye un enfoque aggregate alternativo. Los ejemplos que figuran a continuación significan por mes, que creo que es lo que solicitó. Aunque, el mismo enfoque podría usarse para devolver los medios por persona:

Usando ave :

my.data <- read.table(text = ''
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
'', header = TRUE, stringsAsFactors = FALSE, na.strings = ''NA'')
Rate1.mean <- with(my.data, ave(Rate1, Month, FUN = function(x) mean(x, na.rm = TRUE)))
Rate2.mean <- with(my.data, ave(Rate2, Month, FUN = function(x) mean(x, na.rm = TRUE)))
my.data <- data.frame(my.data, Rate1.mean, Rate2.mean)
my.data

Usando by :

my.data <- read.table(text = ''
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
'', header = TRUE, stringsAsFactors = FALSE, na.strings = ''NA'')
by.month <- as.data.frame(do.call("rbind", by(my.data, my.data$Month, FUN = function(x) colMeans(x[,3:4]))))
colnames(by.month) <- c(''Rate1.mean'', ''Rate2.mean'')
by.month <- cbind(Month = rownames(by.month), by.month)
my.data <- merge(my.data, by.month, by = ''Month'')
my.data

Usando lapply y split :

my.data <- read.table(text = ''
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
'', header = TRUE, stringsAsFactors = FALSE, na.strings = ''NA'')
ly.mean <- lapply(split(my.data, my.data$Month), function(x) c(Mean = colMeans(x[,3:4])))
ly.mean <- as.data.frame(do.call("rbind", ly.mean))
ly.mean <- cbind(Month = rownames(ly.mean), ly.mean)
my.data <- merge(my.data, ly.mean, by = ''Month'')
my.data

Usando sapply y split :

my.data <- read.table(text = ''
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
'', header = TRUE, stringsAsFactors = FALSE, na.strings = ''NA'')
my.data
sy.mean <- t(sapply(split(my.data, my.data$Month), function(x) colMeans(x[,3:4])))
colnames(sy.mean) <- c(''Rate1.mean'', ''Rate2.mean'')
sy.mean <- data.frame(Month = rownames(sy.mean), sy.mean, stringsAsFactors = FALSE)
my.data <- merge(my.data, sy.mean, by = ''Month'')
my.data

Usando aggregate :

my.data <- read.table(text = ''
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
'', header = TRUE, stringsAsFactors = FALSE, na.strings = ''NA'')
my.summary <- with(my.data, aggregate(list(Rate1, Rate2), by = list(Month),
FUN = function(x) { mon.mean = mean(x, na.rm = TRUE) } ))
my.summary <- do.call(data.frame, my.summary)
colnames(my.summary) <- c(''Month'', ''Rate1.mean'', ''Rate2.mean'')
my.summary
my.data <- merge(my.data, my.summary, by = ''Month'')
my.data

Answer 2

Este tipo de operación es exactamente para lo que se diseñó el aggregate :

d <- read.table(text=''Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32'', header=TRUE)
aggregate(d[, 3:4], list(d$Name), mean)
Group.1 Rate1 Rate2
1 Aira 16.33333 47.00000
2 Ben 31.33333 50.33333
3 Cat 44.66667 54.00000

Aquí agregamos las columnas 3 y 4 de data.frame d , agrupando por d$Name y aplicando la función mean .

O, usando una interfaz de fórmula:

aggregate(. ~ Name, d[-2], mean)

Answer 3

O use group_by & summarise_at del paquete dplyr :

library(dplyr)
d %>%
group_by(Name) %>%
summarise_at(vars(-Month), funs(mean(., na.rm=TRUE)))
# A tibble: 3 x 3
Name Rate1 Rate2
<fct> <dbl> <dbl>
1 Aira 16.3 47.0
2 Ben 31.3 50.3
3 Cat 44.7 54.0

Consulte ?summarise_at para conocer las diversas formas de especificar las variables para actuar. Aquí, vars(-Month) dice todas las variables excepto Month .

Answer 4

También podría usar la función genérica cbind() y lm() sin la intercepción:

cbind(lm(d$Rate1~-1+d$Name)$coef,lm(d$Rate2~-1+d$Name)$coef)
> [,1] [,2]
>d$NameAira 16.33333 47.00000
>d$NameBen 31.33333 50.33333
>d$NameCat 44.66667 54.00000

Answer 5

También puede lograr esto usando el paquete sqldf como se muestra a continuación:

library(sqldf)
x <- read.table(text=''Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32'', header=TRUE)
sqldf("
select
Name
,avg(Rate1) as Rate1_float
,avg(Rate2) as Rate2_float
,avg(Rate1) as Rate1
,avg(Rate2) as Rate2
from x
group by
Name
")
# Name Rate1_float Rate2_float Rate1 Rate2
#1 Aira 16.33333 47.00000 16 47
#2 Ben 31.33333 50.33333 31 50
#3 Cat 44.66667 54.00000 44 54

Soy un converso reciente a dplyr como se muestra en otras respuestas, pero sqldf es bueno ya que la mayoría de los analistas de datos / científicos / desarrolladores de datos tienen al menos algo de fluidez en SQL. De esta manera, creo que tiende a dplyr código más legible universalmente que dplyr u otras soluciones presentadas anteriormente.

ACTUALIZACIÓN: Al responder al comentario a continuación, intenté actualizar el código como se muestra arriba. Sin embargo, el comportamiento no fue el esperado. Parece que la definición de la columna (es decir, int vs float ) solo se lleva a cabo cuando el alias de la columna coincide con el nombre de la columna original. Cuando especifica un nuevo nombre, la columna agregada se devuelve sin redondeo.

Answer 6

También puede usar el paquete plyr , que de alguna manera es más versátil:

library(plyr)
ddply(d, .(Name), summarize, Rate1=mean(Rate1), Rate2=mean(Rate2))
Name Rate1 Rate2
1 Aira 16.33333 47.00000
2 Ben 31.33333 50.33333
3 Cat 44.66667 54.00000

Answer 7

Una tercera gran alternativa es usar el paquete data.table , que también tiene la clase data.frame, pero las operaciones que usted busca se computan mucho más rápido.

library(data.table)
mydt <- structure(list(Name = c("Aira", "Aira", "Aira", "Ben", "Ben", "Ben", "Cat", "Cat", "Cat"), Month = c(1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L), Rate1 = c(15.6396600443877, 2.15649279424609, 6.24692918928743, 2.37658797276116, 34.7500663272292, 3.28750138697048, 29.3265553981065, 17.9821839334431, 10.8639802575958), Rate2 = c(17.1680489538369, 5.84231656330206, 8.54330866437461, 5.88415184986176, 3.02064294862551, 17.2053351400752, 16.9552950199166, 2.56058000170089, 15.7496228048122)), .Names = c("Name", "Month", "Rate1", "Rate2"), row.names = c(NA, -9L), class = c("data.table", "data.frame"))

Ahora tome la media de Rate1 y Rate2 para los 3 meses, para cada persona (Nombre): Primero, decida qué columnas quiere tomar con el promedio de

colstoavg <- names(mydt)[3:4]

Ahora utilizamos lapply para tomar la media sobre las columnas que queremos prom (colstoavg)

mydt.mean <- mydt[,lapply(.SD,mean,na.rm=TRUE),by=Name,.SDcols=colstoavg]
mydt.mean
Name Rate1 Rate2
1: Aira 8.014361 10.517891
2: Ben 13.471385 8.703377
3: Cat 19.390907 11.755166

Answer 8

Describo dos formas de hacer esto, una basada en data.table y otra basada en el paquete reshape2 . La forma de datos ya tiene una respuesta, pero he tratado de hacerlo más limpio y más detallado.

La información es así:

 d <- structure(list(Name = structure(c(1L, 1L, 1L, 2L, 2L, 2L, 3L,
3L, 3L), .Label = c("Aira", "Ben", "Cat"), class = "factor"),
Month = c(1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L), Rate1 = c(12L,
18L, 19L, 53L, 22L, 19L, 22L, 67L, 45L), Rate2 = c(23L, 73L,
45L, 19L, 87L, 45L, 87L, 43L, 32L)), .Names = c("Name", "Month",
"Rate1", "Rate2"), class = "data.frame", row.names = c(NA, -9L
))
head(d)
Name Month Rate1 Rate2
1 Aira 1 12 23
2 Aira 2 18 73
3 Aira 3 19 45
4 Ben 1 53 19
5 Ben 2 22 87
6 Ben 3 19 45
library("reshape2")
mym <- melt(d, id = c("Name"))
res <- dcast(mym, Name ~ variable, mean)
res
#Name Month Rate1 Rate2
#1 Aira 2 16.33333 47.00000
#2 Ben 2 31.33333 50.33333
#3 Cat 2 44.66667 54.00000

Usando data.table:

# At first, I convert the data.frame to data.table and then I group it
setDT(d)
d[, .(Rate1 = mean(Rate1), Rate2 = mean(Rate2)), by = .(Name)]
# Name Rate1 Rate2
#1: Aira 16.33333 47.00000
#2: Ben 31.33333 50.33333
#3: Cat 44.66667 54.00000

Hay otra forma de hacerlo evitando escribir muchos argumentos para j en data.table usando un .SD

d[, lapply(.SD, mean), by = .(Name)]
# Name Month Rate1 Rate2
#1: Aira 2 16.33333 47.00000
#2: Ben 2 31.33333 50.33333
#3: Cat 2 44.66667 54.00000

si solo queremos tener Rate1 y Rate2, entonces podemos usar los .SDcols de la siguiente manera:

d[, lapply(.SD, mean), by = .(Name), .SDcols = 3:4]
# Name Rate1 Rate2
#1: Aira 16.33333 47.00000
#2: Ben 31.33333 50.33333
#3: Cat 44.66667 54.00000