data.frame 中每组的平均值
Posted
技术标签:
【中文标题】data.frame 中每组的平均值【英文标题】：Mean per group in a data.frame [duplicate] 【发布时间】：2021-11-08 23:32:28 【问题描述】：我有一个data.frame，我需要计算每组的平均值（即下面的每个Month）。
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
我想要的输出如下所示，其中Rate1 和Rate2 的值是组均值。值请忽略，示例我已经补上。
Name Rate1 Rate2
Aira 23.21 12.2
Ben 45.23 43.9
Cat 33.22 32.2
【问题讨论】：
这可能有用R Grouping functions 如果有更多的列，如 FirstName、LastName 和 Address 而不仅仅是 Name 分组依据？ 【参考方案1】：这种类型的操作正是 aggregate 的设计目的：
d <- read.table(text=
'Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32', header=TRUE)
aggregate(d[, 3:4], list(d$Name), mean)
Group.1 Rate1 Rate2
1 Aira 16.33333 47.00000
2 Ben 31.33333 50.33333
3 Cat 44.66667 54.00000
这里我们聚合 data.frame d 的第 3 列和第 4 列，按 d$Name 分组，并应用 mean 函数。
或者，使用公式接口：
aggregate(. ~ Name, d[-2], mean)
【讨论】：
是的，将其更改为aggregate(d[, 3:4], list(Name=d$Name), mean)
当使用 aggregate(as.numeric(matrix$value), list(matrix$hour), mean) 时，出于某种原因，我得到了一些 NaN-values。检查我的 data.table 中的 is.nan() 和 is.na() 但是没有显示任何结果。有什么想法吗？
@jdepypere - 不知道为什么，但仔细查看split(matrix$value, matrix$hour) 的元素可能是值得的987654335@)
很好的答案。 aggregate(d[, 3:4], list(d[,1]), mean) 或 aggregate(d[, c('Rate1', 'Rate2')], list(d[, c('Name')]), mean) 更“一致”，恕我直言。
@F***Habersack 你会?merge 得到原始数据的结果，但你需要为聚合对象使用不同的名称。使用 dplyr 可以更轻松地完成您的工作：d %>% group_by(Name) %>% mutate(mean1=mean(Rate1), mean2=mean(Rate2))【参考方案2】：
或者使用dplyr包中的group_by和summarise_at：
library(dplyr)
d %>%
group_by(Name) %>%
summarise_at(vars(-Month), funs(mean(., na.rm=TRUE)))
# A tibble: 3 x 3
Name Rate1 Rate2
<fct> <dbl> <dbl>
1 Aira 16.3 47.0
2 Ben 31.3 50.3
3 Cat 44.7 54.0
请参阅?summarise_at，了解指定要作用的变量的多种方法。这里，vars(-Month) 表示所有变量除了Month。
在 tidyverse/dplyr 的更新版本中，使用 summarise(across(...)) 优于 summarise_at：
d %>%
group_by(Name) %>%
summarise(across(-Month, mean, na.rm = TRUE))
【讨论】：
summarise _each 在新版本中已弃用。我应该使用什么？我试过 summarise_at 或 _if or_all。但没用。 试试d %>% group_by(Name) %>% summarise_at(.vars = names(.)[3:4],.funs = c(mean="mean"))
为什么要summarize_at 而不是summary？
summarise_at 允许您指定要汇总的特定变量范围【参考方案3】：
您也可以使用包plyr，它在某种程度上更加通用：
library(plyr)
ddply(d, .(Name), summarize, Rate1=mean(Rate1), Rate2=mean(Rate2))
Name Rate1 Rate2
1 Aira 16.33333 47.00000
2 Ben 31.33333 50.33333
3 Cat 44.66667 54.00000
【讨论】：
【参考方案4】：第三个不错的选择是使用包 data.table，它也有类 data.frame，但是像您要查找的操作计算得更快。
library(data.table)
mydt <- structure(list(Name = c("Aira", "Aira", "Aira", "Ben", "Ben", "Ben", "Cat", "Cat", "Cat"), Month = c(1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L), Rate1 = c(15.6396600443877, 2.15649279424609, 6.24692918928743, 2.37658797276116, 34.7500663272292, 3.28750138697048, 29.3265553981065, 17.9821839334431, 10.8639802575958), Rate2 = c(17.1680489538369, 5.84231656330206, 8.54330866437461, 5.88415184986176, 3.02064294862551, 17.2053351400752, 16.9552950199166, 2.56058000170089, 15.7496228048122)), .Names = c("Name", "Month", "Rate1", "Rate2"), row.names = c(NA, -9L), class = c("data.table", "data.frame"))
现在为每个人（姓名）取所有 3 个月的 Rate1 和 Rate2 的平均值： 首先，决定要对哪些列取平均值
colstoavg <- names(mydt)[3:4]
现在我们使用 lapply 对我们想要平均的列取平均值 (colstoavg)
mydt.mean <- mydt[,lapply(.SD,mean,na.rm=TRUE),by=Name,.SDcols=colstoavg]
mydt.mean
Name Rate1 Rate2
1: Aira 8.014361 10.517891
2: Ben 13.471385 8.703377
3: Cat 19.390907 11.755166
【讨论】：
在data.tables中也要使用lapply吗？ @HermanToothrot 我会这么说，至少对我来说。特别是在这种情况下，通过使用.SDcols，他们准确地指定了要将函数应用于哪些列。如果您可以想象一个包含大量列的 data.table 的情况，您可以首先获取所有数字列的名称，然后使用.SDcols = numericVars 设置它们，而不必尝试全部命名在 j 列中。另一个实例是使用:= 就地赋值.SD := lapply(.SD, f)【参考方案5】：
以下是在基本 R 中执行此操作的多种方法，包括替代 aggregate 方法。下面的示例返回意味着每月，我认为这是您所要求的。虽然，可以使用相同的方法来返回每个人的平均值：
使用ave：
my.data <- read.table(text = '
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
', header = TRUE, stringsAsFactors = FALSE, na.strings = 'NA')
Rate1.mean <- with(my.data, ave(Rate1, Month, FUN = function(x) mean(x, na.rm = TRUE)))
Rate2.mean <- with(my.data, ave(Rate2, Month, FUN = function(x) mean(x, na.rm = TRUE)))
my.data <- data.frame(my.data, Rate1.mean, Rate2.mean)
my.data
使用by：
my.data <- read.table(text = '
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
', header = TRUE, stringsAsFactors = FALSE, na.strings = 'NA')
by.month <- as.data.frame(do.call("rbind", by(my.data, my.data$Month, FUN = function(x) colMeans(x[,3:4]))))
colnames(by.month) <- c('Rate1.mean', 'Rate2.mean')
by.month <- cbind(Month = rownames(by.month), by.month)
my.data <- merge(my.data, by.month, by = 'Month')
my.data
使用lapply 和split：
my.data <- read.table(text = '
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
', header = TRUE, stringsAsFactors = FALSE, na.strings = 'NA')
ly.mean <- lapply(split(my.data, my.data$Month), function(x) c(Mean = colMeans(x[,3:4])))
ly.mean <- as.data.frame(do.call("rbind", ly.mean))
ly.mean <- cbind(Month = rownames(ly.mean), ly.mean)
my.data <- merge(my.data, ly.mean, by = 'Month')
my.data
使用sapply 和split：
my.data <- read.table(text = '
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
', header = TRUE, stringsAsFactors = FALSE, na.strings = 'NA')
my.data
sy.mean <- t(sapply(split(my.data, my.data$Month), function(x) colMeans(x[,3:4])))
colnames(sy.mean) <- c('Rate1.mean', 'Rate2.mean')
sy.mean <- data.frame(Month = rownames(sy.mean), sy.mean, stringsAsFactors = FALSE)
my.data <- merge(my.data, sy.mean, by = 'Month')
my.data
使用aggregate：
my.data <- read.table(text = '
Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32
', header = TRUE, stringsAsFactors = FALSE, na.strings = 'NA')
my.summary <- with(my.data, aggregate(list(Rate1, Rate2), by = list(Month),
FUN = function(x) mon.mean = mean(x, na.rm = TRUE) ))
my.summary <- do.call(data.frame, my.summary)
colnames(my.summary) <- c('Month', 'Rate1.mean', 'Rate2.mean')
my.summary
my.data <- merge(my.data, my.summary, by = 'Month')
my.data
编辑：2020 年 6 月 28 日
这里我使用aggregate 按组获取整个matrix 的列means，其中组在外部vector 中定义：
my.group <- c(1,2,1,2,2,3,1,2,3,3)
my.data <- matrix(c( 1, 2, 3, 4, 5,
10, 20, 30, 40, 50,
2, 4, 6, 8, 10,
20, 30, 40, 50, 60,
20, 18, 16, 14, 12,
1000, 1100, 1200, 1300, 1400,
2, 3, 4, 3, 2,
50, 40, 30, 20, 10,
1001, 2001, 3001, 4001, 5001,
1000, 2000, 3000, 4000, 5000), nrow = 10, ncol = 5, byrow = TRUE)
my.data
my.summary <- aggregate(list(my.data), by = list(my.group), FUN = function(x) my.mean = mean(x, na.rm = TRUE) )
my.summary
# Group.1 X1 X2 X3 X4 X5
#1 1 1.666667 3.000 4.333333 5.000 5.666667
#2 2 25.000000 27.000 29.000000 31.000 33.000000
#3 3 1000.333333 1700.333 2400.333333 3100.333 3800.333333
【讨论】：
【参考方案6】：我描述了两种方法，一种基于 data.table，另一种基于 reshape2 包。 data.table 的方式已经有了答案，不过我已经尽力让它更简洁更详细了。
数据是这样的：
d <- structure(list(Name = structure(c(1L, 1L, 1L, 2L, 2L, 2L, 3L,
3L, 3L), .Label = c("Aira", "Ben", "Cat"), class = "factor"),
Month = c(1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L), Rate1 = c(12L,
18L, 19L, 53L, 22L, 19L, 22L, 67L, 45L), Rate2 = c(23L, 73L,
45L, 19L, 87L, 45L, 87L, 43L, 32L)), .Names = c("Name", "Month",
"Rate1", "Rate2"), class = "data.frame", row.names = c(NA, -9L
))
head(d)
Name Month Rate1 Rate2
1 Aira 1 12 23
2 Aira 2 18 73
3 Aira 3 19 45
4 Ben 1 53 19
5 Ben 2 22 87
6 Ben 3 19 45
library("reshape2")
mym <- melt(d, id = c("Name"))
res <- dcast(mym, Name ~ variable, mean)
res
#Name Month Rate1 Rate2
#1 Aira 2 16.33333 47.00000
#2 Ben 2 31.33333 50.33333
#3 Cat 2 44.66667 54.00000
使用data.table：
# At first, I convert the data.frame to data.table and then I group it
setDT(d)
d[, .(Rate1 = mean(Rate1), Rate2 = mean(Rate2)), by = .(Name)]
# Name Rate1 Rate2
#1: Aira 16.33333 47.00000
#2: Ben 31.33333 50.33333
#3: Cat 44.66667 54.00000
还有另一种方法是避免使用 .SD 在 data.table 中为 j 写入许多参数
d[, lapply(.SD, mean), by = .(Name)]
# Name Month Rate1 Rate2
#1: Aira 2 16.33333 47.00000
#2: Ben 2 31.33333 50.33333
#3: Cat 2 44.66667 54.00000
如果我们只想拥有 Rate1 和 Rate2，那么我们可以使用 .SDcols，如下所示：
d[, lapply(.SD, mean), by = .(Name), .SDcols = 3:4]
# Name Rate1 Rate2
#1: Aira 16.33333 47.00000
#2: Ben 31.33333 50.33333
#3: Cat 44.66667 54.00000
【讨论】：
刚刚意识到已经有了答案：***.com/a/22004271/559784【参考方案7】：您也可以使用sqldf 包完成此操作，如下所示：
library(sqldf)
x <- read.table(text='Name Month Rate1 Rate2
Aira 1 12 23
Aira 2 18 73
Aira 3 19 45
Ben 1 53 19
Ben 2 22 87
Ben 3 19 45
Cat 1 22 87
Cat 2 67 43
Cat 3 45 32', header=TRUE)
sqldf("
select
Name
,avg(Rate1) as Rate1_float
,avg(Rate2) as Rate2_float
,avg(Rate1) as Rate1
,avg(Rate2) as Rate2
from x
group by
Name
")
# Name Rate1_float Rate2_float Rate1 Rate2
#1 Aira 16.33333 47.00000 16 47
#2 Ben 31.33333 50.33333 31 50
#3 Cat 44.66667 54.00000 44 54
我最近转换为dplyr，如其他答案所示，但sqldf 很好，因为大多数数据分析师/数据科学家/开发人员至少对 SQL 有一定的了解。通过这种方式，我认为它往往比dplyr 或上面介绍的其他解决方案更易于阅读。
更新：在回复下面的评论时，我尝试更新如上所示的代码。但是，行为并不像我预期的那样。似乎只有当列别名与原始列名匹配时才会执行列定义（即int vs float）。当您指定新名称时，将返回聚合列而不进行四舍五入。
【讨论】：
你能评论一下四舍五入吗？ 嗨@partickt（很抱歉耽搁了），这是此处描述的 SQL 的细微差别：***.com/questions/18493976/…。如您所见，由于 SQL 以int 开头，因此将其保留为 int。 avg(cast(Ratei as float)) 应该得到一个十进制值，可以根据需要用 round 换行。 avg(Ratei*1.0) 也应该强制转换为 float...也没有运行【参考方案8】：
您也可以使用通用函数 cbind() 和 lm() 而不使用拦截：
cbind(lm(d$Rate1~-1+d$Name)$coef,lm(d$Rate2~-1+d$Name)$coef)
> [,1] [,2]
>d$NameAira 16.33333 47.00000
>d$NameBen 31.33333 50.33333
>d$NameCat 44.66667 54.00000
【讨论】：
以上是关于data.frame 中每组的平均值的主要内容，如果未能解决你的问题，请参考以下文章