使用 R 中的频率表确定收入等级的中位数

Posted 2023-02-16

【中文标题】使用 R 中的频率表确定收入等级的中位数

【英文标题】：identify median across income brackets using frequency table in R

【发布时间】：2021-04-08 00:51:51

【问题描述】：

我的数据如下所示：

dat <- data.frame(county_id = c("A", "A", "A", "A", "A", "B", "B", "B", "B", "B"),
                  income_level = c("income1", "income2", "income3", "income4", 
                  "income5","income1", "income2", "income3", "income4", "income5"),
                  frequency = c(4, 1, 5, 11, 4, 7, 12, 0, 5, 7),
                  total = c(25, 25, 25, 25, 25, 31, 31, 31, 31, 31)
                  )

我想确定每个独特县的平均收入水平（在上面的代码中，有两个县，但我使用的实际数据集有数千个）。

例如，在 A 县，按升序排列时，中位数是第 13 个观测值。这意味着 A 县的中位数属于收入水平 4。

对于 B 县，中位数是第 16 个观测值，这意味着 B 县的收入水平中位数是收入水平 2。

我想使用某个版本的 for 循环、lapply 等来创建一个新列，该列将返回数据集中每个唯一县的收入中位数水平（例如，A 县的收入中位数、 B 县的收入中位数等）

任何指导或建议将不胜感激。

【参考方案1】：

这样的事情可能会有所帮助！

do.call(rbind.data.frame,lapply(unique(dat$county_id), function(x)
      country<-dat[dat$county_id == x,'frequency']
      cbind.data.frame(Country=x, median=which(cumsum(country)>ceiling(sum(country)/2))[1])
    ))

【参考方案2】：

我认为@TTL 有一个很好的答案，如果难以阅读的话。这是另一个想法。

一般来说，您应该将像income_level 这样的变量存储为有序因子。然后你可以找到因子值的中位数。

要在此处找到中位数，您可以“扩展”数据集，使每组中的观察数与 frequency 的值匹配，并以正常方式找到中位数。

一个小问题是基础 R 没有定义一种方法来查找有序因子的方法。标准方法是将因子转换为数字median(as.numeric(income_level))（并丢失因子名称）。另一种是使用missMethods，它定义了一种求有序因子中位数的方法。

基础 R

library(missMethods)  # Defines median for ordered factor

dat$income_level <- factor(dat$income_level, 
                           levels = paste0('income', 1:5),
                           ordered = TRUE)

# Expand dataset
dat_exp <- dat[rep(1:nrow(dat), dat$frequency), ]

# Calculate medians
with(dat_exp, aggregate(list(income_level = income_level), 
                        by = list(county_id = county_id), FUN = median))

dplyr

library(missMethods)
library(dplyr)

# Make income_level an ordered factor
dat <- mutate(dat, income_level = factor(income_level, levels = paste0('income', 1:5),
                               ordered = TRUE))

# Expand and find medians
dat[rep(1:nrow(dat), dat$frequency), ] %>% 
  group_by(county_id) %>% 
  summarize(med_income_level = median(income_level))

# # A tibble: 2 x 2
#   county_id income_level
#   <chr>     <ord>       
# 1 A         income4     
# 2 B         income2 

【参考方案3】：

你可以重复income_levelfrequency次数并计算median的值。

library(dplyr)

dat %>%
  group_by(county_id) %>%
  summarise(med = median(rep(income_level, frequency)))

# county_id   med    
#  <chr>     <chr>  
#1 A         income4
#2 B         income2