在列组上应用函数

Posted 2023-02-16

【中文标题】在列组上应用函数

【英文标题】：apply a function over groups of columns

【发布时间】：2012-05-26 12:56:52

【问题描述】：

如何使用apply 或相关函数创建一个新数据框，其中包含非常大数据框中每对列的行平均值的结果？

我有一台仪器可以输出n 对大量样本的重复测量值，其中每个测量值都是一个向量（所有测量值都是相同长度的向量）。我想计算每个样本的所有重复测量的平均值（和其他统计数据）。这意味着我需要将n 连续列组合在一起并进行逐行计算。

举个简单的例子，在两个样本上进行三个重复测量，我怎样才能得到一个有两列（每个样本一个）的数据框，一个是dat$a 中每行重复的平均值， dat$b 和 dat$c 以及 dat$d、dat$e 和 dat$f 每行的平均值。

这是一些示例数据

dat <- data.frame( a = rnorm(16), b = rnorm(16), c = rnorm(16), d = rnorm(16), e = rnorm(16), f = rnorm(16))

            a          b            c          d           e          f
1  -0.9089594 -0.8144765  0.872691548  0.4051094 -0.09705234 -1.5100709
2   0.7993102  0.3243804  0.394560355  0.6646588  0.91033497  2.2504104
3   0.2963102 -0.2911078 -0.243723116  1.0661698 -0.89747522 -0.8455833
4  -0.4311512 -0.5997466 -0.545381175  0.3495578  0.38359390  0.4999425
5  -0.4955802  1.8949285 -0.266580411  1.2773987 -0.79373386 -1.8664651
6   1.0957793 -0.3326867 -1.116623982 -0.8584253  0.83704172  1.8368212
7  -0.2529444  0.5792413 -0.001950741  0.2661068  1.17515099  0.4875377
8   1.2560402  0.1354533  1.440160168 -2.1295397  2.05025701  1.0377283
9   0.8123061  0.4453768  1.598246016  0.7146553 -1.09476532  0.0600665
10  0.1084029 -0.4934862 -0.584671816 -0.8096653  1.54466019 -1.8117459
11 -0.8152812  0.9494620  0.100909570  1.5944528  1.56724269  0.6839954
12  0.3130357  2.6245864  1.750448404 -0.7494403  1.06055267  1.0358267
13  1.1976817 -1.2110708  0.719397607 -0.2690107  0.83364274 -0.6895936
14 -2.1860098 -0.8488031 -0.302743475 -0.7348443  0.34302096 -0.8024803
15  0.2361756  0.6773727  1.279737692  0.8742478 -0.03064782 -0.4874172
16 -1.5634527 -0.8276335  0.753090683  2.0394865  0.79006103  0.5704210

我正在追求这样的东西

            X1          X2
1  -0.28358147 -0.40067128
2   0.50608365  1.27513471
3  -0.07950691 -0.22562957
4  -0.52542633  0.41103139
5   0.37758930 -0.46093340
6  -0.11784382  0.60514586
7   0.10811540  0.64293184
8   0.94388455  0.31948189
9   0.95197629 -0.10668118
10 -0.32325169 -0.35891702
11  0.07836345  1.28189698
12  1.56269017  0.44897971
13  0.23533617 -0.04165384
14 -1.11251880 -0.39810121
15  0.73109533  0.11872758
16 -0.54599850  1.13332286

我这样做了，但显然对我更大的数据框没有好处...

data.frame(cbind(
apply(cbind(dat$a, dat$b, dat$c), 1, mean),
apply(cbind(dat$d, dat$e, dat$f), 1, mean)
))

我已经尝试过apply 和循环，但无法完全组合在一起。我的实际数据有数百列。

【问题讨论】：

总是每三列吗？您是在输入名称向量的向量还是索引向量的向量？如果用户 user1317221_G 的答案不是您想要的，也许您需要提供更多信息。

对于后代，上面的问题似乎是这个关于将函数应用于行组的最近问题的转置（并且有一些不同的方法）：***.com/q/10837258/1036500

【参考方案1】：

这可能更适用于您传递索引列表的情况。如果速度是一个问题（大数据框），我会选择lapply 和do.call 而不是sapply：

x <- list(1:3, 4:6)
do.call(cbind, lapply(x, function(i) rowMeans(dat[, i])))

如果您也只有 col 名称也可以使用：

x <- list(c('a','b','c'), c('d', 'e', 'f'))
do.call(cbind, lapply(x, function(i) rowMeans(dat[, i])))

编辑

只是碰巧想到也许您想自动执行此操作以每三列执行一次。我知道有更好的方法，但它是在 100 列数据集上：

dat <- data.frame(matrix(rnorm(16*100), ncol=100))

n <- 1:ncol(dat)
ind <- matrix(c(n, rep(NA, 3 - ncol(dat)%%3)), byrow=TRUE, ncol=3)
ind <- data.frame(t(na.omit(ind)))
do.call(cbind, lapply(ind, function(i) rowMeans(dat[, i])))

编辑 2 仍然对索引不满意。我认为有更好/更快的方法来传递索引。这是第二个虽然不令人满意的方法：

n <- 1:ncol(dat)
ind <- data.frame(matrix(c(n, rep(NA, 3 - ncol(dat)%%3)), byrow=F, nrow=3))
nonna <- sapply(ind, function(x) all(!is.na(x)))
ind <- ind[, nonna]

do.call(cbind, lapply(ind, function(i)rowMeans(dat[, i])))

【讨论】：

这省略了最后一列，因为它没有三列可以绑定在一起。

我将寻求一种更好的方法来创建索引并返回此处。

这是该问题的链接，供未来的搜索者使用 LINK

其他索引方法：split(1:n,rep(1:n,each=3,length=n))。这里 n 是列数。

@WojciechSobala 你能把答案发布到上面的链接 9 虽然你必须删除最后一个列表索引，因为它的长度不是 3。

【参考方案2】：

@david 在这里提出了一个类似的问题：averaging every 16 columns in r（现已关闭），我根据@joran 和@Ben 的建议改编了上面@TylerRinker 的答案来回答这个问题。因为生成的函数可能对 OP 或未来的读者有所帮助，所以我在此处复制该函数以及 OP 数据的示例。

# Function to apply 'fun' to object 'x' over every 'by' columns
# Alternatively, 'by' may be a vector of groups
byapply <- function(x, by, fun, ...)

    # Create index list
    if (length(by) == 1)
    
        nc <- ncol(x)
        split.index <- rep(1:ceiling(nc / by), each = by, length.out = nc)
     else # 'by' is a vector of groups
    
        nc <- length(by)
        split.index <- by
    
    index.list <- split(seq(from = 1, to = nc), split.index)

    # Pass index list to fun using sapply() and return object
    sapply(index.list, function(i)
            
                do.call(fun, list(x[, i], ...))
            )

然后，找到重复的平均值：

byapply(dat, 3, rowMeans)

或者，也许是复制品的标准差：

byapply(dat, 3, apply, 1, sd)

更新

by 也可以指定为组向量：

byapply(dat, c(1,1,1,2,2,2), rowMeans)

【参考方案3】：

向量 a,b,c 的行的平均值

 rowMeans(dat[1:3])

表示来自向量 d,e,f 的行

 rowMeans(dat[4:6])

一站式通话

results<-cbind(rowMeans(dat[1:3]),rowMeans(dat[4:6]))

如果您只知道列名而不知道顺序，那么您可以使用：

rowMeans(cbind(dat["a"],dat["b"],dat["c"]))
rowMeans(cbind(dat["d"],dat["e"],dat["f"]))

#I dont know how much damage this does to speed but should still be quick

【讨论】：

那么对于具有数百列的数据框呢？您如何概括这一点？

@joran，你说得对，我在准备我的问题时太仓促了，抱歉含糊不清。 Tyler Rinker 的编辑有我所追求的代码。

【参考方案4】：

rowMeans 解决方案会更快，但为了完整起见，您可以使用apply 执行此操作：

t(apply(dat,1,function(x) c(mean(x[1:3]),mean(x[4:6])) ))

【讨论】：

数百列数据框中每连续三列集合的行均值如何？

@Ben 将其简化为您已经解决的问题：（1）转置（2）使用 plyr 或 data.table，（ 3）转回。 （假设一切都是数字。）

我会试一试，看看我能不能想出比上面 Tyler 的解决方案更有效的方法（不太可能，但值得一试！）

感谢您的建议，我根据您的建议提出了两种方法（尽管可能不完全是您的想法......），见上文。

【参考方案5】：

受@joran 建议的启发，我想出了这个（实际上与他的建议有点不同，尽管转置建议特别有用）：

使用p cols 制作示例数据的数据框以模拟真实的数据集（按照上面@TylerRinker 的回答，与我在问题中的糟糕示例不同）

p <- 99 # how many columns?
dat <- data.frame(matrix(rnorm(4*p), ncol = p))

重命名此数据框中的列以创建n 连续列的组，这样如果我对三列的组感兴趣，我会得到像 1,1,1,2,2,2 这样的列名， 3,3,3 等，或者如果我想要四列的组，它将是 1,1,1,1,2,2,2,2,3,3,3,3 等。我要三个现在（我想这对于像我这样对索引不太了解的人来说是一种索引）

n <- 3 # how many consecutive columns in the groups of interest?
names(dat) <- rep(seq(1:(ncol(dat)/n)), each = n, len = (ncol(dat)))

现在使用 apply 和 tapply 获取每个组的行均值

dat.avs <- data.frame(t(apply(dat, 1, tapply, names(dat), mean)))

主要缺点是原始数据中的列名被替换（尽管这可以通过将分组编号而不是列名放在新行中来克服）并且列名由 apply-tapply 函数返回以无用的顺序。

根据@joran 的建议，这里有一个data.table 解决方案：

p <- 99 # how many columns?
dat <- data.frame(matrix(rnorm(4*p), ncol = p))
dat.t <-  data.frame(t(dat))

n <- 3 # how many consecutive columns in the groups of interest?
dat.t$groups <- as.character(rep(seq(1:(ncol(dat)/n)), each = n, len = (ncol(dat))))

library(data.table)
DT <- data.table(dat.t)
setkey(DT, groups)
dat.av <- DT[, lapply(.SD,mean), by=groups]

感谢大家的快速和耐心的努力！

【讨论】：

只是添加一个指针，指出lapply(.SD,mean) 成语应该在 v1.8.1 中变得更快，这要归功于：i）this question 中的发现和 ii）@987654330 的自动 .Internal()isation @（不再需要维基点 3）。此外，.SDcols 通常很有用，但在这里不需要。

@MatthewDowle 感谢您的留言！很高兴知道 .SDcols，我不熟悉，很高兴听到 data.table 越来越快！

【参考方案6】：

如果您有兴趣将函数应用于每个独特的列组合，有一个非常简单的解决方案，即所谓的组合。

combinations <- combn(colnames(df),2,function(x) rowMeans(df[x]))

要计算三列的每个唯一组合的统计信息等，只需将 2 更改为 3。该操作是矢量化的，因此比循环更快，例如上面使用的 apply 系列函数。如果列的顺序很重要，那么您需要一个置换算法来重现有序集：combinat::permn

【讨论】：

“如果订单很重要”是什么意思，combinat::permn 函数是什么？请问可以修改代码吗？

组合与排列不是一回事：youtube.com/watch?v=s2W6Bce_T30 如果输入的顺序很重要，那么您需要的就是排列。在这种情况下，“顺序”是指列的顺序。