Agréger / résumer plusieurs variables par groupe (p. ex. somme, moyenne)
à partir d'une base de données, y a-t-il un moyen facile d'agréger ( sum , mean , max et c) plusieurs variables simultanément?
ci-dessous quelques exemples de données:
library(lubridate)
days = 365*2
date = seq(as.Date("2000-01-01"), length = days, by = "day")
year = year(date)
month = month(date)
x1 = cumsum(rnorm(days, 0.05))
x2 = cumsum(rnorm(days, 0.05))
df1 = data.frame(date, year, month, x1, x2)
j'aimerais regrouper simultanément les variables x1 et x2 à partir de la base de données df2 par année et par mois. Le code suivant regroupe la variable x1 , mais il est également possible de agréger la variable x2 ?
### aggregate variables by year month
df2=aggregate(x1 ~ year+month, data=df1, sum, na.rm=TRUE)
head(df2)
toute suggestion serait grandement appréciée.
5 réponses
D'où vient cette fonction year() ?
vous pouvez également utiliser le paquet reshape2 pour cette tâche:
require(reshape2)
df_melt <- melt(df1, id = c("date", "year", "month"))
dcast(df_melt, year + month ~ variable, sum)
# year month x1 x2
1 2000 1 -80.83405 -224.9540159
2 2000 2 -223.76331 -288.2418017
3 2000 3 -188.83930 -481.5601913
4 2000 4 -197.47797 -473.7137420
5 2000 5 -259.07928 -372.4563522
Oui, dans votre formula , vous pouvez cbind les variables numériques à agréger:
aggregate(cbind(x1, x2) ~ year + month, data = df1, sum, na.rm = TRUE)
year month x1 x2
1 2000 1 7.862002 -7.469298
2 2001 1 276.758209 474.384252
3 2000 2 13.122369 -128.122613
...
23 2000 12 63.436507 449.794454
24 2001 12 999.472226 922.726589
voir ?aggregate , l'argument formula et les exemples.
utilisant le paquet data.table , qui est rapide (utile pour les ensembles de données plus importants)
https://github.com/Rdatatable/data.table/wiki
library(data.table)
df2 <- setDT(df1)[, lapply(.SD, sum), by=.(year, month), .SDcols=c("x1","x2")]
setDF(df2) # convert back to dataframe
utilisant le paquet plyr
require(plyr)
df2 <- ddply(df1, c("year", "month"), function(x) colSums(x[c("x1", "x2")]))
selon le résumé () du dossier Hmisc (les titres des colonnes sont un peu désordonnés dans mon exemple)
# need to detach plyr because plyr and Hmisc both have a summarize()
detach(package:plyr)
require(Hmisc)
df2 <- with(df1, summarize( cbind(x1, x2), by=llist(year, month), FUN=colSums))
avec le paquet dplyr , vous pouvez utiliser les fonctions summarise_all , summarise_at ou summarise_if pour agréger plusieurs variables simultanément. Pour l'ensemble de données exemple, vous pouvez le faire comme suit:
library(dplyr)
# summarising all non-grouping variables
df2 <- df1 %>% group_by(year, month) %>% summarise_all(sum)
# summarising a specific set of non-grouping variables
df2 <- df1 %>% group_by(year, month) %>% summarise_at(vars(x1, x2), sum)
df2 <- df1 %>% group_by(year, month) %>% summarise_at(vars(-date), sum)
# summarising a specific set of non-grouping variables based on condition (class)
df2 <- df1 %>% group_by(year, month) %>% summarise_if(is.numeric, sum)
le résultat des deux dernières options:
year month x1 x2
<dbl> <dbl> <dbl> <dbl>
1 2000 1 -73.58134 -92.78595
2 2000 2 -57.81334 -152.36983
3 2000 3 122.68758 153.55243
4 2000 4 450.24980 285.56374
5 2000 5 678.37867 384.42888
6 2000 6 792.68696 530.28694
7 2000 7 908.58795 452.31222
8 2000 8 710.69928 719.35225
9 2000 9 725.06079 914.93687
10 2000 10 770.60304 863.39337
# ... with 14 more rows
Note: summarise_each est déprécié en faveur de summarise_all , summarise_at et summarise_if .
Comme mentionné dans mon commentaire ci-dessus , vous pouvez également utiliser la fonction recast de la reshape2 - paquet:
library(reshape2)
recast(df1, year + month ~ variable, sum, id.var = c("date", "year", "month"))
qui vous donnera le même résultat.
en retard à la fête, mais a récemment trouvé un autre moyen d'obtenir les statistiques sommaires.
library(psych)
describe(data)
sortira: moyenne, min, max, écart-type, n, erreur-type, kurtosis, asymétrie, médiane et intervalle pour chaque variable.