Résumé de plusieurs colonnes avec dplyr? [dupliquer]
cette question a déjà une réponse ici:
- agréger / résumer plusieurs variables par groupe (par exemple somme, moyenne) 5 réponses
- Peut dplyr résumer sur plusieurs variables sans faire une liste de chacun? [duplicate] 2 réponses
j'ai un peu de mal avec la syntaxe dplyr. J'ai une base de données avec différentes variables et une variable de regroupement. Maintenant je veux calculer la moyenne pour chaque colonne dans chaque groupe, en utilisant dplyr dans R.
df <- data.frame(
a = sample(1:5, n, replace = TRUE),
b = sample(1:5, n, replace = TRUE),
c = sample(1:5, n, replace = TRUE),
d = sample(1:5, n, replace = TRUE),
grp = sample(1:3, n, replace = TRUE)
)
df %>% group_by(grp) %>% summarise(mean(a))
me donne la moyenne pour la colonne" a "pour chaque groupe indiqué par"grp".
Ma question est: est-il possible d'obtenir les moyens pour chaque colonne dans chaque groupe à la fois? Ou dois-je répéter df %>% group_by(grp) %>% summarise(mean(a)) pour chaque colonne?
Ce que j'aimerais avoir, c'est quelque chose comme
df %>% group_by(grp) %>% summarise(mean(a:d)) # "mean(a:d)" does not work
5 réponses
le paquet dplyr contient summarise_all à cet effet:
df %>% group_by(grp) %>% summarise_all(funs(mean))
#> Source: local data frame [3 x 5]
#>
#> grp a b c d
#> (int) (dbl) (dbl) (dbl) (dbl)
#> 1 1 3.000000 2.666667 2.666667 3.333333
#> 2 2 2.666667 2.666667 2.500000 2.833333
#> 3 3 4.000000 1.000000 4.000000 3.000000
si vous voulez résumer seulement certaines colonnes, utilisez les fonctions summarise_at ou summarise_if .
alternativement, le paquet purrrlyr offre la même fonctionnalité:
df %>% slice_rows("grp") %>% dmap(mean)
#> Source: local data frame [3 x 5]
#>
#> grp a b c d
#> (int) (dbl) (dbl) (dbl) (dbl)
#> 1 1 3.000000 2.666667 2.666667 3.333333
#> 2 2 2.666667 2.666667 2.500000 2.833333
#> 3 3 4.000000 1.000000 4.000000 3.000000
N'oubliez pas non plus data.table :
setDT(df)[, lapply(.SD, mean), by = grp]
#> grp a b c d
#> 1: 3 3.714286 3.714286 2.428571 2.428571
#> 2: 1 1.000000 4.000000 5.000000 2.000000
#> 3: 2 4.000000 4.500000 3.000000 3.000000
essayons de comparer les performances.
library(dplyr)
library(purrrlyr)
library(data.table)
library(benchr)
n <- 10000
df <- data.frame(
a = sample(1:5, n, replace = TRUE),
b = sample(1:5, n, replace = TRUE),
c = sample(1:5, n, replace = TRUE),
d = sample(1:5, n, replace = TRUE),
grp = sample(1:3, n, replace = TRUE)
)
dt <- setDT(df)
benchmark(
dplyr = df %>% group_by(grp) %>% summarise_all(funs(mean)),
purrrlyr = df %>% slice_rows("grp") %>% dmap(mean),
data.table = dt[, lapply(.SD, mean), by = grp]
)
#> Benchmark summary:
#> Time units : microseconds
#> expr n.eval min lw.qu median mean up.qu max total relative
#> dplyr 100 3490 3550 3710 3890 3780 15100 389000 6.98
#> purrrlyr 100 2540 2590 2680 2920 2860 12000 292000 5.04
#> data.table 100 459 500 531 563 571 1380 56300 1.00
nous pouvons résumer en utilisant summarize_at , summarize_all et summarize_if sur dplyr 0.7.4 . Nous pouvons définir les colonnes et les fonctions multiples en utilisant l'argument vars et funs comme code ci-dessous. Le côté gauche de la formule de funs est assigné au suffixe des var résumées. Dans le dplyr 0.7.4 , summarise_each (et mutate_each ) est déjà déprécié, donc nous ne pouvons pas utiliser ces fonctions.
options(scipen = 100, dplyr.width = Inf, dplyr.print_max = Inf)
library(dplyr)
packageVersion("dplyr")
# [1] ‘0.7.4’
set.seed(123)
df <- data_frame(
a = sample(1:5, 10, replace=T),
b = sample(1:5, 10, replace=T),
c = sample(1:5, 10, replace=T),
d = sample(1:5, 10, replace=T),
grp = as.character(sample(1:3, 10, replace=T)) # For convenience, specify character type
)
df %>% group_by(grp) %>%
summarise_each(.vars = letters[1:4],
.funs = c(mean="mean"))
# `summarise_each()` is deprecated.
# Use `summarise_all()`, `summarise_at()` or `summarise_if()` instead.
# To map `funs` over a selection of variables, use `summarise_at()`
# Error: Strings must match column names. Unknown columns: mean
vous devez changer le code suivant. Le codes suivants ont tous le même résultat.
# summarise_at
df %>% group_by(grp) %>%
summarise_at(.vars = letters[1:4],
.funs = c(mean="mean"))
df %>% group_by(grp) %>%
summarise_at(.vars = names(.)[1:4],
.funs = c(mean="mean"))
df %>% group_by(grp) %>%
summarise_at(.vars = vars(a,b,c,d),
.funs = c(mean="mean"))
# summarise_all
df %>% group_by(grp) %>%
summarise_all(.funs = c(mean="mean"))
# summarise_if
df %>% group_by(grp) %>%
summarise_if(.predicate = function(x) is.numeric(x),
.funs = funs(mean="mean"))
# A tibble: 3 x 5
# grp a_mean b_mean c_mean d_mean
# <chr> <dbl> <dbl> <dbl> <dbl>
# 1 1 2.80 3.00 3.6 3.00
# 2 2 4.25 2.75 4.0 3.75
# 3 3 3.00 5.00 1.0 2.00
vous pouvez également avoir plusieurs fonctions.
df %>% group_by(grp) %>%
summarise_at(.vars = letters[1:2],
.funs = c(Mean="mean", Sd="sd"))
# A tibble: 3 x 5
# grp a_Mean b_Mean a_Sd b_Sd
# <chr> <dbl> <dbl> <dbl> <dbl>
# 1 1 2.80 3.00 1.4832397 1.870829
# 2 2 4.25 2.75 0.9574271 1.258306
# 3 3 3.00 5.00 NA NA
vous pouvez simplement passer plus d'arguments à summarise :
df %>% group_by(grp) %>% summarise(mean(a), mean(b), mean(c), mean(d))
Source: base de données locale [3 x 5]
grp mean(a) mean(b) mean(c) mean(d)
1 1 2.500000 3.500000 2.000000 3.0
2 2 3.800000 3.200000 3.200000 2.8
3 3 3.666667 3.333333 2.333333 3.0
complet: avec dplyr v0.2 ddply avec colwise fera également:
> ddply(df, .(grp), colwise(mean))
grp a b c d
1 1 4.333333 4.00 1.000000 2.000000
2 2 2.000000 2.75 2.750000 2.750000
3 3 3.000000 4.00 4.333333 3.666667
mais il est plus lent, au moins dans ce cas:
> microbenchmark(ddply(df, .(grp), colwise(mean)),
df %>% group_by(grp) %>% summarise_each(funs(mean)))
Unit: milliseconds
expr min lq mean
ddply(df, .(grp), colwise(mean)) 3.278002 3.331744 3.533835
df %>% group_by(grp) %>% summarise_each(funs(mean)) 1.001789 1.031528 1.109337
median uq max neval
3.353633 3.378089 7.592209 100
1.121954 1.133428 2.292216 100
tous les exemples sont géniaux, mais je me suis dit que j'en ajouterais un de plus pour montrer comment travailler dans un format "ordonné" simplifie les choses. À l'heure actuelle, la base de données est dans un format "large", ce qui signifie que les variables "a" à "d" sont représentées dans les colonnes. Pour obtenir un format" ordonné "(ou long), vous pouvez utiliser gather() du paquet tidyr qui déplace les variables dans les colonnes" a "à" d " en lignes. Ensuite, vous utilisez les fonctions group_by() et summarize() pour obtenir la moyenne de chaque groupe. Si vous vous souhaitez présenter les données dans un format large, il suffit de cliquer sur un appel supplémentaire à la fonction spread() .
library(tidyverse)
# Create reproducible df
set.seed(101)
df <- tibble(a = sample(1:5, 10, replace=T),
b = sample(1:5, 10, replace=T),
c = sample(1:5, 10, replace=T),
d = sample(1:5, 10, replace=T),
grp = sample(1:3, 10, replace=T))
# Convert to tidy format using gather
df %>%
gather(key = variable, value = value, a:d) %>%
group_by(grp, variable) %>%
summarize(mean = mean(value)) %>%
spread(variable, mean)
#> Source: local data frame [3 x 5]
#> Groups: grp [3]
#>
#> grp a b c d
#> * <int> <dbl> <dbl> <dbl> <dbl>
#> 1 1 3.000000 3.5 3.250000 3.250000
#> 2 2 1.666667 4.0 4.666667 2.666667
#> 3 3 3.333333 3.0 2.333333 2.333333