总结R数据框中因素的分布
Posted
技术标签:
【中文标题】总结R数据框中因素的分布【英文标题】:Summarize distribution of factors in R data frame 【发布时间】:2016-12-21 03:44:54 【问题描述】:假设我有一个这样的 data.frame:
X1 X2 X3
1 A B A
2 A C B
3 B A B
4 A A C
我想统计每一列中A、B、C等出现的次数,并将结果返回为
A_count B_count C_count
X1 3 1 0
X2 2 1 1
X3 1 2 1
我确定这个问题有一千个重复,但我似乎找不到适合我的答案:(
通过运行
apply(mydata, 2, table)
我得到了类似的东西
$X1
B A
1 3
$X2
A C B
2 1 1
但这并不是我想要的,如果我尝试将它重新构建到数据框中,它就不起作用,因为我没有为每一行获得相同数量的列(比如上面的 $X1没有 C)。
我错过了什么?
非常感谢!
【问题讨论】:
【参考方案1】:您可以重构以包括每列共有的因子水平,然后制表。我还建议使用lapply()
而不是apply()
,因为apply()
用于矩阵。
df <- read.table(text = "X1 X2 X3
1 A B A
2 A C B
3 B A B
4 A A C", h=T)
do.call(
rbind,
lapply(df, function(x) table(factor(x, levels=levels(unlist(df)))))
)
# A B C
# X1 3 1 0
# X2 2 1 1
# X3 1 2 1
【讨论】:
【参考方案2】:假设你的数据框是x
,我会这样做:
do.call(rbind, tapply(unlist(x, use.names = FALSE),
rep(1:ncol(x), each = nrow(x)),
table))
# A B C
#1 3 1 0
#2 2 1 1
#3 1 2 1
基准测试
# a function to generate toy data
# `k` factor levels
# `n` row
# `p` columns
datsim <- function(n, p, k)
as.data.frame(replicate(p, sample(LETTERS[1:k], n, TRUE), simplify = FALSE),
col.names = paste0("X",1:p), stringsAsFactors = TRUE)
# try `n = 100`, `p = 500` and `k = 3`
x <- datsim(100, 500, 3)
## DirtySockSniffer's answer
system.time(do.call(rbind, lapply(x, function(u) table(factor(u, levels=levels(unlist(x)))))))
# user system elapsed
# 21.240 0.068 21.365
## my answer
system.time(do.call(rbind, tapply(unlist(x, use.names = FALSE), rep(1:ncol(x), each = nrow(x)), table)))
# user system elapsed
# 0.108 0.000 0.111
可以通过以下方式改进 Dirty 的答案:
## improved DirtySockSniffer's answer
system.time(clevels <- levels(unlist(x, use.names = FALSE));
do.call(rbind, lapply(x, function(u) table(factor(u, levels=clevels)))))
# user system elapsed
# 0.108 0.000 0.108
还要考虑 user20650 的回答:
## Let's try a large `n`, `p`, `k`
x <- datsim(200, 5000, 5)
system.time(t(table(stack(lapply(x, as.character)))))
# user system elapsed
# 0.592 0.052 0.646
虽然我的回答是:
system.time(do.call(rbind, tapply(unlist(x, use.names = FALSE), rep(1:ncol(x), each = nrow(x)), table)))
# user system elapsed
# 1.844 0.056 1.904
改进了 Dirty 的答案:
system.time(clevels <- levels(unlist(x, use.names = FALSE));
do.call(rbind, lapply(x, function(u) table(factor(u, levels=clevels)))))
# user system elapsed
# 1.240 0.012 1.263
【讨论】:
您好,哲元,不重要,但在我的笔记本电脑上levels(u)[u]
比as.character
慢一点。 (我认为这是有道理的,因为我确信 r 人对此进行了优化)
对于第二个示例,它看起来好像更快,因为 as.numeric 在较小的向量上调用,而不是完整的向量。因此,如果需要转换为数字,就像你说的那样,它看起来会更快。以上是关于总结R数据框中因素的分布的主要内容,如果未能解决你的问题,请参考以下文章
2021-06-19 R语言执行单因素方差分析(单因素ANOVA)及多重比较
R语言多因素有交互方差分析(Two-Way ANOVA)实战:拟合多因素有交互方差分析模型分析不同分组的差异TukeyHSD多因素有交互方差分析的结果总结