operaciones - sumar datos en r

Agregue/resuma múltiples variables por grupo(por ejemplo, suma, media)

Question

A partir de un marco de datos, ¿existe una manera fácil de agregar ( sum , mean , max , etc.) múltiples variables simultáneamente?

A continuación hay algunos datos de muestra:

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)

Me gustaría agregar simultáneamente las variables x1 y x2 del marco de datos df2 por año y mes. El siguiente código agrega la variable x1 , ¿pero también es posible agregar simultáneamente la variable x2 ?

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

Cualquier sugerencia sería muy apreciada.

Answer 1

¿De dónde es este año () función?

También podría usar el paquete reshape2 para esta tarea:

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

Answer 2

Con el paquete dplyr , puede usar las summarise_all , summarise_at o summarise_if para agregar múltiples variables simultáneamente. Para el conjunto de datos de ejemplo, puede hacer esto de la siguiente manera:

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 based on condition (class)
df2 <- df1 %>% group_by(year, month) %>% summarise_if(is.numeric, sum)

El resultado de las últimas dos opciones:

 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

Nota: summarise_each está en desuso en favor de summarise_all , summarise_at y summarise_if .

Como mencioné en mi comentario anterior , también puede usar la función de recast del reshape2 :

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

que le dará el mismo resultado.

Answer 3

Sí, en su formula , puede cbind las variables numéricas que se cbind :

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

Ver ?aggregate , el argumento de la formula y los ejemplos.

Answer 4

Usar el paquete data.table , que es rápido (útil para conjuntos de datos más grandes)

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

Usando el paquete plyr

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

Usando summarize () del paquete Hmisc (los encabezados de las columnas son desordenados en mi ejemplo)

# 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))