renglones - sumar las filas de una matriz en r

¿Cómo sumar una variable por grupo?

Question

Digamos que tengo dos columnas de datos. El primero contiene categorías como "Primero", "Segundo", "Tercero", etc. El segundo tiene números que representan la cantidad de veces que vi "Primero".

Por ejemplo:

Category     Frequency
First        10
First        15
First        5
Second       2
Third        14
Third        20
Second       3

Quiero ordenar los datos por Categoría y sumar las Frecuencias:

Category     Frequency
First        30
Second       5
Third        34

¿Cómo haría esto en R?

Answer 1

Aunque recientemente me he convertido en un convertidor a dplyr para la mayoría de estos tipos de operaciones, el paquete sqldf sigue siendo realmente bueno (y, en mi opinión, más legible) para algunas cosas.

Aquí hay un ejemplo de cómo esta pregunta puede ser respondida con sqldf

x <- data.frame(Category=factor(c("First", "First", "First", "Second",
                                  "Third", "Third", "Second")), 
                Frequency=c(10,15,5,2,14,20,3))

sqldf("select 
          Category
          ,sum(Frequency) as Frequency 
       from x 
       group by 
          Category")

##   Category Frequency
## 1    First        30
## 2   Second         5
## 3    Third        34

Answer 2

Esto está algo relacionado con esta pregunta .

También puedes usar la función by () :

x2 <- by(x$Frequency, x$Category, sum)
do.call(rbind,as.list(x2))

Esos otros paquetes (plyr, reformar) tienen la ventaja de devolver un data.frame, pero vale la pena estar familiarizado con () ya que es una función básica.

Answer 3

La respuesta proporcionada por rcs funciona y es simple. Sin embargo, si está manejando conjuntos de datos más grandes y necesita un aumento de rendimiento, hay una alternativa más rápida:

library(data.table)
data = data.table(Category=c("First","First","First","Second","Third", "Third", "Second"), 
                  Frequency=c(10,15,5,2,14,20,3))
data[, sum(Frequency), by = Category]
#    Category V1
# 1:    First 30
# 2:   Second  5
# 3:    Third 34
system.time(data[, sum(Frequency), by = Category] )
# user    system   elapsed 
# 0.008     0.001     0.009 

Comparemos eso con lo mismo usando data.frame y lo anterior:

data = data.frame(Category=c("First","First","First","Second","Third", "Third", "Second"),
                  Frequency=c(10,15,5,2,14,20,3))
system.time(aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum))
# user    system   elapsed 
# 0.008     0.000     0.015 

Y si quieres mantener la columna esta es la sintaxis:

data[,list(Frequency=sum(Frequency)),by=Category]
#    Category Frequency
# 1:    First        30
# 2:   Second         5
# 3:    Third        34

La diferencia se hará más notoria con conjuntos de datos más grandes, como lo demuestra el siguiente código:

data = data.table(Category=rep(c("First", "Second", "Third"), 100000),
                  Frequency=rnorm(100000))
system.time( data[,sum(Frequency),by=Category] )
# user    system   elapsed 
# 0.055     0.004     0.059 
data = data.frame(Category=rep(c("First", "Second", "Third"), 100000), 
                  Frequency=rnorm(100000))
system.time( aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum) )
# user    system   elapsed 
# 0.287     0.010     0.296 

Para agregaciones múltiples, puede combinar lapply y .SD siguiente manera

data[, lapply(.SD, sum), by = Category]
#    Category Frequency
# 1:    First        30
# 2:   Second         5
# 3:    Third        34

Answer 4

Más recientemente, también puede usar el paquete dplyr para ese propósito:

library(dplyr)
x %>% 
  group_by(Category) %>% 
  summarise(Frequency = sum(Frequency))

#Source: local data frame [3 x 2]
#
#  Category Frequency
#1    First        30
#2   Second         5
#3    Third        34

O, para múltiples columnas de resumen (también funciona con una columna):

x %>% 
  group_by(Category) %>% 
  summarise_each(funs(sum))

Actualización para dplyr> = 0.5: summarise_each ha sido reemplazado por summarise_all , summarise_at & summarise_if familia de funciones Summary en Dplyr.

O, si tiene varias columnas para agrupar, puede especificarlas todas en el group_by separado por comas:

mtcars %>% 
  group_by(cyl, gear) %>%                            # multiple group columns
  summarise(max_hp = max(hp), mean_mpg = mean(mpg))  # multiple summary columns

Para obtener más información, incluido el operador %>% , consulte la introducción a dplyr .

Answer 5

Si x es un marco de datos con sus datos, lo siguiente hará lo que desee:

require(reshape)
recast(x, Category ~ ., fun.aggregate=sum)

Answer 6

Solo para agregar una tercera opción:

require(doBy)
summaryBy(Frequency~Category, data=yourdataframe, FUN=sum)

EDIT: esta es una respuesta muy antigua. Ahora recomendaría el uso de group_by y resumiré desde dplyr, como en @docendo answer.

Answer 7

Utilizando aggregate :

aggregate(x$Frequency, by=list(Category=x$Category), FUN=sum)
  Category  x
1    First 30
2   Second  5
3    Third 34

En el ejemplo anterior, se pueden especificar múltiples dimensiones en la list . Se pueden incorporar múltiples métricas agregadas del mismo tipo de datos a través de cbind :

aggregate(cbind(x$Frequency, x$Metric2, x$Metric3) ...

(incrustando el comentario de @thelatemail), el aggregate tiene una interfaz de fórmula

aggregate(Frequency ~ Category, x, sum)

O si desea agregar varias columnas, puede usar el . notación (funciona también para una columna)

aggregate(. ~ Category, x, sum)

o tapply :

tapply(x$Frequency, x$Category, FUN=sum)
 First Second  Third 
    30      5     34 

Utilizando estos datos:

x <- data.frame(Category=factor(c("First", "First", "First", "Second",
                                      "Third", "Third", "Second")), 
                    Frequency=c(10,15,5,2,14,20,3))

Answer 8

Varios años después, solo para agregar otra solución R de base simple que no está presente aquí por alguna razón: xtabs

xtabs(Frequency ~ Category, df)
# Category
# First Second  Third 
#    30      5     34 

O si quieres un data.frame vuelta

as.data.frame(xtabs(Frequency ~ Category, df))
#   Category Freq
# 1    First   30
# 2   Second    5
# 3    Third   34

Answer 9

utilizando cast lugar de recast (la nota ''Frequency'' ahora es ''value'' )

df  <- data.frame(Category = c("First","First","First","Second","Third","Third","Second")
                  , value = c(10,15,5,2,14,20,3))

install.packages("reshape")

result<-cast(df, Category ~ . ,fun.aggregate=sum)

Llegar:

Category (all)
First     30
Second    5
Third     34

Answer 10

library(plyr)
ddply(tbl, .(Category), summarise, sum = sum(Frequency))