如何根据他们的名字计算每日平均值的差异？

Posted 2023-02-14

【中文标题】如何根据他们的名字计算每日平均值的差异？

【英文标题】：How to calculate the difference in daily averages based off their names?

【发布时间】：2022-01-20 15:15:24

【问题描述】：

我有一个数据集，显示 8 月和 9 月的日平均值。8 月有 6 行，9 月有 6 行。我需要比较具有相同“站点代码”（即"X1WR"、"X3WR"、"14WR"）的"LoggerID_Sitecodes" 之间的每日平均值。例如，我需要知道 8 月和 9 月 "X1WR_S_Stationary" 和 "X1WR_U_Compare" 之间的每日差异是多少。这是我正在使用的数据框

Summary_Stats_ShieldComparisons = structure(list(month = c("Aug", "Aug", "Aug", "Aug", "Aug", "Aug", "Sep", "Sep", "Sep", "Sep", "Sep", "Sep"), LoggerID_SiteCode = c("X20676906_X1WR_S_Stationary", "X20817726_14WR_S_Stationary", "X20819740_X3WR_S_Stationary", "X21092860_X3WR_U_Compare", "X21092863_X1WR_U_Compare", "X21092877_14WR_U_Compare", "X20676906_X1WR_S_Stationary", "X20817726_14WR_S_Stationary", "X20819740_X3WR_S_Stationary", "X21092860_X3WR_U_Compare", "X21092863_X1WR_U_Compare", "X21092877_14WR_U_Compare"), `1` = c(19.7973541666667, 19.8387604166667, 20.18475, NaN, NaN, NaN, 20.7902604166667, 20.8141354166667, 21.2830104166667, 21.2929479166667, 20.8281875, 20.8101458333333 ), `2` = c(19.167875, 19.485, 19.0699166666667, NaN, NaN, NaN, 19.5951979166667, 19.5447395833333, 20.1386770833333, 20.1535416666667, 19.5912395833333, 19.52684375), `3` = c(19.1635833333333, 19.4361041666667, 18.6934895833333, NaN, NaN, NaN, 19.5257083333333, 19.1441145833333, 19.5713333333333, 19.59909375, 19.5366041666667, 19.1539791666667 ), `4` = c(20.58890625, 21.04803125, 20.2363854166667, NaN, NaN, NaN, 18.35540625, 18.3098854166667, 18.50115625, 18.4912708333333, 18.3722708333333, 18.313875), `5` = c(20.4786875, 21.2495, 20.0483333333333, NaN, NaN, NaN, 17.5555208333333, 17.3981666666667, 17.3645416666667, 17.34075, 17.57234375, 17.4060729166667), `6` = c(20.6277291666667, 21.5976875, 19.65246875, NaN, NaN, NaN, 17.1620833333333, 17.2158333333333, 17.0411875, 16.9986041666667, 17.1630520833333, 17.2089166666667 ), `7` = c(21.0440729166667, 22.0925729166667, 20.3653333333333, NaN, NaN, NaN, 18.9051145833333, 18.4130833333333, 18.1541875, 18.1224479166667, 18.9368854166667, 18.4041041666667), `8` = c(21.0748229166667, 22.6307708333333, 21.0419166666667, NaN, NaN, NaN, 18.93325, 18.6943020833333, 19.1433645833333, 19.0987708333333, 18.9830104166667, 18.6754791666667), `9` = c(21.2133541666667, 21.96090625, 20.8293333333333, NaN, NaN, NaN, 18.92021875, 19.3938541666667, 18.8428645833333, 18.82209375, 18.9281354166667, 19.39384375), `10` = c(21.0549583333333, 21.5886666666667, 21.0386875, 21.0903333333333, 21.07584375, 21.6045833333333, 19.9498854166667, 20.2733333333333, 18.5902604166667, 18.8200729166667, 19.9508958333333, 20.2773125), `11` = c(22.0971145833333, 22.28015625, 21.6225625, 21.6523645833333, 22.1451458333333, 22.3070625, 19.29984375, 19.7349166666667, 19.4305729166667, 19.5128333333333, 19.3048229166667, 19.7180520833333), `12` = c(22.6818854166667, 23.1176041666667, 22.5744375, 22.5664479166667, 22.7099166666667, 23.135625, 18.51884375, 18.83503125, 18.70721875, 18.7646979166667, 18.5287604166667, 18.8320625), `13` = c(23.9690625, 23.7686458333333, 24.0393958333333, 24.0303541666667, 24.0491770833333, 23.7916979166667, 18.8686354166667, 18.9042916666667, 18.8498229166667, 18.8508333333333, 18.8785520833333, 18.9013229166667), `14` = c(24.3618229166667, 24.29590625, 24.8081979166667, 24.7779375, 24.41753125, 24.3341666666667, 17.8340520833333, 17.648875, 18.26125, 18.24240625, 17.8538645833333, 17.6330104166667), `15` = c(25.377125, 24.76175, 25.80578125, 25.7824791666667, 25.4849166666667, 24.76578125, 16.7127291666667, 16.5705833333333, 17.227625, 17.1958854166667, 16.7285833333333, 16.5765208333333), `16` = c(23.89946875, 23.3866354166667, 25.5114895833333, 25.4689583333333, 24.0171145833333, 23.384625, 18.32178125, 18.0413645833333, 17.95309375, 17.9134479166667, 18.32771875, 18.0601875), `17` = c(23.0580416666667, 22.281625, 24.908625, 24.8368958333333, 23.1826041666667, 22.2736875, 18.36525, 17.6020625, 17.84609375, 17.8045, 18.40496875, 17.5951458333333 ), `18` = c(22.2622708333333, 21.6921875, 23.8456979166667, 23.7704791666667, 22.35740625, 21.7041145833333, 20.0287604166667, 19.6535729166667, 19.1127291666667, 19.0949270833333, 20.04965625, 19.66053125), `19` = c(21.6695416666667, 21.6125520833333, 22.6521354166667, 22.6231145833333, 21.7014166666667, 21.6076041666667, 19.3356666666667, 19.4366041666667, 19.649625, 19.60590625, 19.370375, 19.4296458333333 ), `20` = c(20.8732916666667, 21.1062604166667, 22.2158020833333, 22.1788958333333, 20.897125, 21.10825, 17.3488333333333, 17.1304583333333, 18.2068125, 18.1503020833333, 17.3944270833333, 17.1155729166667), `21` = c(21.9709166666667, 21.60440625, 23.2420416666667, 23.2148854166667, 22.0552291666667, 21.6133854166667, 16.7735104166667, 15.9922083333333, 17.9162708333333, 17.8567708333333, 16.8260729166667, 15.9743125), `22` = c(22.2590520833333, 21.9096041666667, 23.1308229166667, 23.0857708333333, 22.3375, 21.9086354166667, 17.0556875, 16.09653125, 17.7455625, 17.6989895833333, 17.11028125, 16.07759375), `23` = c(22.3858125, 21.9991770833333, 23.0202604166667, 22.9752395833333, 22.4510104166667, 22.0151770833333, 18.7368229166667, 17.5346458333333, 18.8792916666667, 18.841625, 18.7895104166667, 17.5237604166667), `24` = c(23.7411979166667, 23.0992604166667, 24.2068645833333, 24.1847708333333, 23.8049479166667, 23.11025, 18.79309375, 17.82234375, 19.183, 19.14334375, 18.8576979166667, 17.8034895833333), `25` = c(25.13925, 24.0122291666667, 25.8055104166667, 25.775125, 25.2316770833333, 24.0142291666667, 18.4624479166667, 18.1642395833333, 18.9538333333333, 18.8943645833333, 18.4753333333333, 18.15734375), `26` = c(25.3103645833333, 24.1949895833333, 26.4140208333333, 26.3784270833333, 25.4208854166667, 24.20096875, 18.8378854166667, 18.5516770833333, 18.3652083333333, 18.3018645833333, 18.8388958333333, 18.5368333333333), `27` = c(24.9939166666667, 24.2193541666667, 25.419875, 25.37846875, 25.0889375, 24.23046875, 18.4467083333333, 17.9333125, 18.7626770833333, 18.7200625, 18.4794375, 17.9254270833333)), row.names = c(NA, -12L), class = c("tbl_df", "tbl", "data.frame")) 

基本上，我希望最终结果看起来像这张表，但值是站点之间的差异。有人可以帮忙吗？

【问题讨论】：

感谢您提供 dput 输出！但是，它看起来不像正确发布的数据集 - 我们至少缺少一个右括号并且格式有点不稳定。

@Dubukay，它对我有用，虽然 SO 渲染它的方式，复制它时很容易错过一个。我已经发布了对 OP 问题的建议编辑，我希望它现在对你有用。

@KristenCyr，我想我理解你所说的“相同的 SiteCode”是什么意思，但这是在内部以字符串编码的。我建议将其作为自己的列分开，因为在对子字符串进行操作时，正常的分组机制（按照您的要求进行操作）会很笨重。此外，我建议我们不需要 27 个编号的列来证明这一点，我认为 3-4 就足够了。最后，当您提到“每日”时，我们看到的唯一内容是“每月”，这就是您的意思吗？

（或者您使用"X1RW" 作为站点代码只是LoggerID_SiteCode 中整个字符串的缩写？）

所以列顶部的数字是天数......这是我得到每日平均值的地方。但我保留了月份，因为我也需要知道月份。我将保持这种格式，因为它对我将来要做的事情很重要。是的，我对站点代码的使用只是整个字符串的缩写

【参考方案1】：

如上所述，最简单的方法是更改​​为长格式以获取差异，然后转回。在这里，我先提取相关的站点代码（例如，X1WR），以便我们可以按站点代码进行分组。然后，我将数据转换为长格式，这样我们就可以得到每个组的差异（即，month、site 和 day）。然后，我将其转回长格式。我使用了绝对值来表示差异，但如果您不需要 abs，您可以删除它。

library(tidyverse)
library(qdap)

Summary_Stats_ShieldComparisons %>%
  mutate_all( ~ replace(., is.nan(.), NA)) %>%
  mutate(site = genXtract(LoggerID_SiteCode, "_", "_")) %>%
  rowwise %>%
  mutate(site = first(site)) %>%
  ungroup() %>%
  select(-LoggerID_SiteCode) %>%
  pivot_longer(c(`1`:`27`), names_to = "day", values_to = "value") %>%
  group_by(month, site, day) %>%
  mutate(diff = c(abs(diff(value)))) %>%
  select(-value) %>%
  distinct(diff) %>%
  ungroup() %>%
  arrange(as.numeric(day)) %>%
  pivot_wider(names_from = "day", values_from = "diff") %>%
  arrange(month)

输出

# A tibble: 6 × 29
  month site       `1`      `2`      `3`      `4`      `5`       `6`      `7`     `8`        `9`
  <chr> <chr>    <dbl>    <dbl>    <dbl>    <dbl>    <dbl>     <dbl>    <dbl>   <dbl>      <dbl>
1 Aug   X1WR  NA       NA       NA       NA       NA       NA        NA       NA      NA        
2 Aug   14WR  NA       NA       NA       NA       NA       NA        NA       NA      NA        
3 Aug   X3WR  NA       NA       NA       NA       NA       NA        NA       NA      NA        
4 Sep   X1WR   0.0379   0.00396  0.0109   0.0169   0.0168   0.000969  0.0318   0.0498  0.00792  
5 Sep   14WR   0.00399  0.0179   0.00986  0.00399  0.00791  0.00692   0.00898  0.0188  0.0000104
6 Sep   X3WR   0.00994  0.0149   0.0278   0.00989  0.0238   0.0426    0.0317   0.0446  0.0208   
# … with 18 more variables: 10 <dbl>, 11 <dbl>, 12 <dbl>, 13 <dbl>, 14 <dbl>, 15 <dbl>, 16 <dbl>,
#   17 <dbl>, 18 <dbl>, 19 <dbl>, 20 <dbl>, 21 <dbl>, 22 <dbl>, 23 <dbl>, 24 <dbl>, 25 <dbl>,
#   26 <dbl>, 27 <dbl>