সমষ্টি / গ্রুপ প্রতি একাধিক ভেরিয়েবল সংক্ষিপ্তসার (যেমন যোগফল, গড়)

154

একটি ডাটা ফ্রেম থেকে, একটি সহজ উপায় (সমষ্টি হয় sum, mean, maxএকযোগে এবং গ) একাধিক ভেরিয়েবল?

নীচে কিছু নমুনা তথ্য দেওয়া হল:

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)

আমি একই সাথে সমষ্টি চাই x1এবং x2থেকে ভেরিয়েবল df2বছর এবং মাস দ্বারা ডেটা ফ্রেম। নিম্নলিখিত কোডটি x1ভেরিয়েবলকে একত্রিত করে , তবে একই সাথে x2ভেরিয়েবলকে একত্রিত করাও সম্ভব ?

### aggregate variables by year month
df2=aggregate(x1 ~ year+month, data=df1, sum, na.rm=TRUE)
head(df2)

কোন পরামর্শ ব্যাপকভাবে প্রশংসা হবে।

r  dataframe  data.table  aggregate  r-faq 
— MikeTP
সূত্র

উত্তর:

45

এই year()ফাংশনটি কোথা থেকে এসেছে?

আপনি reshape2এই কাজের জন্য প্যাকেজটি ব্যবহার করতে পারেন :

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
— EDI
সূত্র
8
recastফাংশন (এছাড়াও থেকে reshape2) সংহত meltএবং dcast: এই মত কাজের জন্য এক বারেই ফাংশনrecast(df1, year + month ~ variable, sum, id.var = c("date", "year", "month"))
— Jaap
184

হ্যাঁ, আপনার মধ্যে formula, আপনি cbindসংখ্যার ভেরিয়েবলগুলি একত্রিত করতে পারেন :

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

দেখুন ?aggregate, formulaযুক্তি এবং উদাহরণ।

— Andrie
সূত্র
3
সিবিন্ডের পক্ষে ডায়নামিক ভেরিয়েবল ব্যবহার করা কি সম্ভব?
— পিডিবি
14
এটি লক্ষণীয় যে, যখন সিবিন্ডে থাকা কোনও ভেরিয়েবলের একটি এনএ থাকবে তখন সাইডটি প্রত্যেকটি ভেরিয়েবলের জন্য সিবিন্ডে বাদ দেওয়া হবে। এটি এমন আচরণ নয় যা আমি প্রত্যাশা করছিলাম।
— পিডিবি
1
আমি যদি x1 এবং x2 এর পরিবর্তে বাকী সমস্ত পরিবর্তনশীল (বছর, মাস ব্যতীত) ব্যবহার করতে চাই তবে
— ক্লক স্লেভ
7
@ ক্লকস্লেভ, তারপরে আপনার কেবল .এলএইচএস ব্যবহার করা উচিত। aggregate(. ~ year + month, df1, sum, na.rm = TRUE)। এই উদাহরণস্বরূপ, sum"তারিখ" এর জন্য যদিও তা বোঝায় না ....
— A5C1D2H2I1M1N2O1R2T1
5
আমি যদি দুটি ভেরিয়েবল না চাই তবে দুটি ফাংশন চাই ?. উদাহরণস্বরূপ গড় এবং এসডি।
— স্ক্যান 19
51

data.tableপ্যাকেজটি ব্যবহার করা যা দ্রুত (বৃহত্তর ডেটাসেটের জন্য দরকারী)

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

পাতলা প্যাকেজ ব্যবহার

require(plyr)
df2 <- ddply(df1, c("year", "month"), function(x) colSums(x[c("x1", "x2")]))

Hmisc প্যাকেজ থেকে সংক্ষিপ্তকরণ () ব্যবহার করে (কলাম শিরোনাম যদিও আমার উদাহরণে অগোছালো)

# 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))
— numbercruncher
সূত্র
কেন data.table বিকল্পের জন্য এই করবেন না: dt[, .(x1.sum = sum(x1), x2.sum = sum(x2), by = c(year, month)?
— বুলেট
48

সঙ্গে dplyrপ্যাকেজ, আপনি ব্যবহার করতে পারেন summarise_all, summarise_atবা summarise_ifফাংশন একযোগে একাধিক ভেরিয়েবল সমষ্টি করতে। উদাহরণস্বরূপ ডেটাসেটের জন্য আপনি নিম্নলিখিত হিসাবে এটি করতে পারেন:

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 using select_helpers
# see ?select_helpers for more options
df2 <- df1 %>% group_by(year, month) %>% summarise_at(vars(starts_with('x')), sum)
df2 <- df1 %>% group_by(year, month) %>% summarise_at(vars(matches('.*[0-9]')), sum)

# summarising a specific set of non-grouping variables based on condition (class)
df2 <- df1 %>% group_by(year, month) %>% summarise_if(is.numeric, sum)

পরবর্তী দুটি বিকল্পের ফলাফল:

    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

নোট: summarise_eachপক্ষে অবচিত summarise_all, summarise_atএবং summarise_if।

উপরে আমার মন্তব্যে উল্লিখিত হিসাবে , আপনি প্যাকেজ recastথেকে ফাংশনটি ব্যবহার করতে পারেন reshape2:

library(reshape2)
recast(df1, year + month ~ variable, sum, id.var = c("date", "year", "month"))

যা আপনাকে একই ফলাফল দেবে।

— Jaap
সূত্র
8

মজার বিষয় হল, বেস আর aggregateএর data.frameপদ্ধতিটি এখানে প্রদর্শিত হবে না, উপরে সূত্র ইন্টারফেস ব্যবহার করা হয়েছে, সুতরাং সম্পূর্ণতার জন্য:

aggregate(
  x = df1[c("x1", "x2")],
  by = df1[c("year", "month")],
  FUN = sum, na.rm = TRUE
)

সামগ্রিক ডেটা.ফ্রেম পদ্ধতিটির আরও জেনেরিক ব্যবহার:

যেহেতু আমরা একটি সরবরাহ করছি

  • data.frameযেমন xএবং
  • একটি list( data.frameএছাড়াও একটি list) হিসাবে by, এটি খুব কার্যকর যদি আমাদের এটি একটি গতিশীল পদ্ধতিতে ব্যবহার করা প্রয়োজন, উদাহরণস্বরূপ অন্যান্য কলামগুলি একত্রিত করার জন্য এবং এর দ্বারা একত্রিত করা খুব সহজ
  • কাস্টম-মেড এগ্রিগেশন ফাংশন সহ

উদাহরণস্বরূপ যেমন:

colsToAggregate <- c("x1")
aggregateBy <- c("year", "month")
dummyaggfun <- function(v, na.rm = TRUE) {
  c(sum = sum(v, na.rm = na.rm), mean = mean(v, na.rm = na.rm))
}

aggregate(df1[colsToAggregate], by = df1[aggregateBy], FUN = dummyaggfun)
— jozef
সূত্র
1

সঙ্গে develসংস্করণ dplyr(সংস্করণ - ‘0.8.99.9000’), আমরা ব্যবহার করতে পারেন summariseসঙ্গে একাধিক কলাম উপর ফাংশন প্রয়োগ করতেacross

library(dplyr)
df1 %>% 
    group_by(year, month) %>%
    summarise(across(starts_with('x'), sum))
# A tibble: 24 x 4
# Groups:   year [2]
#    year month     x1     x2
#   <dbl> <dbl>  <dbl>  <dbl>
# 1  2000     1   11.7  52.9 
# 2  2000     2  -74.1 126.  
# 3  2000     3 -132.  149.  
# 4  2000     4 -130.    4.12
# 5  2000     5  -91.6 -55.9 
# 6  2000     6  179.   73.7 
# 7  2000     7   95.0 409.  
# 8  2000     8  255.  283.  
# 9  2000     9  489.  331.  
#10  2000    10  719.  305.  
# … with 14 more rows
— akrun
সূত্র
1

ডেটা একীকরণের জন্য আরও নমনীয় এবং দ্রুত পদ্ধতির জন্য, CRAN- তে উপলব্ধ ধস R প্যাকেজে collapকার্যকারিতাটি পরীক্ষা করে দেখুন :

library(collapse)
# Simple aggregation with one function
head(collap(df1, x1 + x2 ~ year + month, fmean))

  year month        x1        x2
1 2000     1 -1.217984  4.008534
2 2000     2 -1.117777 11.460301
3 2000     3  5.552706  8.621904
4 2000     4  4.238889 22.382953
5 2000     5  3.124566 39.982799
6 2000     6 -1.415203 48.252283

# Customized: Aggregate columns with different functions
head(collap(df1, x1 + x2 ~ year + month, 
      custom = list(fmean = c("x1", "x2"), fmedian = "x2")))

  year month  fmean.x1  fmean.x2 fmedian.x2
1 2000     1 -1.217984  4.008534   3.266968
2 2000     2 -1.117777 11.460301  11.563387
3 2000     3  5.552706  8.621904   8.506329
4 2000     4  4.238889 22.382953  20.796205
5 2000     5  3.124566 39.982799  39.919145
6 2000     6 -1.415203 48.252283  48.653926

# You can also apply multiple functions to all columns
head(collap(df1, x1 + x2 ~ year + month, list(fmean, fmin, fmax)))

  year month  fmean.x1    fmin.x1  fmax.x1  fmean.x2   fmin.x2  fmax.x2
1 2000     1 -1.217984 -4.2460775 1.245649  4.008534 -1.720181 10.47825
2 2000     2 -1.117777 -5.0081858 3.330872 11.460301  9.111287 13.86184
3 2000     3  5.552706  0.1193369 9.464760  8.621904  6.807443 11.54485
4 2000     4  4.238889  0.8723805 8.627637 22.382953 11.515753 31.66365
5 2000     5  3.124566 -1.5985090 7.341478 39.982799 31.957653 46.13732
6 2000     6 -1.415203 -4.6072295 2.655084 48.252283 42.809211 52.31309

# When you do that, you can also return the data in a long format
head(collap(df1, x1 + x2 ~ year + month, list(fmean, fmin, fmax), return = "long"))

  Function year month        x1        x2
1    fmean 2000     1 -1.217984  4.008534
2    fmean 2000     2 -1.117777 11.460301
3    fmean 2000     3  5.552706  8.621904
4    fmean 2000     4  4.238889 22.382953
5    fmean 2000     5  3.124566 39.982799
6    fmean 2000     6 -1.415203 48.252283

দ্রষ্টব্য : আপনি mean, maxইত্যাদি সহ বেস ফাংশনগুলি ব্যবহার করতে পারেন collapতবে ইত্যাদিগুলি হ'ল ধস প্যাকেজে fmean, fmaxপ্রদত্ত সি ++ ভিত্তিক গোষ্ঠীযুক্ত ফাংশন যা উল্লেখযোগ্যভাবে দ্রুত হয় (যেমন বৃহত্তর ডেটা সংগ্রহের উপর পারফরম্যান্স ডেটা টেবিলের সমান হয় বৃহত্তর নমনীয়তা সরবরাহ করার সময় এবং এই দ্রুত গ্রুপযুক্ত ফাংশনগুলি ছাড়াও ব্যবহার করা যেতে পারে )।collap

Note2 : collapএছাড়াও নমনীয় multitype তথ্য অ্যাগ্রিগেশন, যা আপনি অবশ্যই ব্যবহার করতে পারেন সমর্থন customযুক্তি, কিন্তু আপনি একটি আধা-স্বয়ংক্রিয় ভাবে সাংখ্যিক এবং অ সাংখ্যিক কলামকে কার্যক্রম প্রয়োগ করতে পারেন:

# wlddev is a data set of World Bank Indicators provided in the collapse package
head(wlddev)

      country iso3c       date year decade     region     income  OECD PCGDP LIFEEX GINI       ODA
1 Afghanistan   AFG 1961-01-01 1960   1960 South Asia Low income FALSE    NA 32.292   NA 114440000
2 Afghanistan   AFG 1962-01-01 1961   1960 South Asia Low income FALSE    NA 32.742   NA 233350000
3 Afghanistan   AFG 1963-01-01 1962   1960 South Asia Low income FALSE    NA 33.185   NA 114880000
4 Afghanistan   AFG 1964-01-01 1963   1960 South Asia Low income FALSE    NA 33.624   NA 236450000
5 Afghanistan   AFG 1965-01-01 1964   1960 South Asia Low income FALSE    NA 34.060   NA 302480000
6 Afghanistan   AFG 1966-01-01 1965   1960 South Asia Low income FALSE    NA 34.495   NA 370250000

# This aggregates the data, applying the mean to numeric and the statistical mode to categorical columns
head(collap(wlddev, ~ iso3c + decade, FUN = fmean, catFUN = fmode))

  country iso3c       date   year decade                     region      income  OECD    PCGDP   LIFEEX GINI      ODA
1   Aruba   ABW 1961-01-01 1962.5   1960 Latin America & Caribbean  High income FALSE       NA 66.58583   NA       NA
2   Aruba   ABW 1967-01-01 1970.0   1970 Latin America & Caribbean  High income FALSE       NA 69.14178   NA       NA
3   Aruba   ABW 1976-01-01 1980.0   1980 Latin America & Caribbean  High income FALSE       NA 72.17600   NA 33630000
4   Aruba   ABW 1987-01-01 1990.0   1990 Latin America & Caribbean  High income FALSE 23677.09 73.45356   NA 41563333
5   Aruba   ABW 1996-01-01 2000.0   2000 Latin America & Caribbean  High income FALSE 26766.93 73.85773   NA 19857000
6   Aruba   ABW 2007-01-01 2010.0   2010 Latin America & Caribbean  High income FALSE 25238.80 75.01078   NA       NA

# Note that by default (argument keep.col.order = TRUE) the column order is also preserved
— সেবাস্টিয়ান
সূত্র
0

পার্টিতে দেরীতে হলেও সম্প্রতি সংক্ষিপ্তসার পরিসংখ্যান পাওয়ার জন্য অন্য একটি উপায় খুঁজে পেয়েছেন।

library(psych) describe(data)

আউটপুট হবে: গড়, ন্যূনতম, সর্বাধিক, মান বিচ্যুতি, এন, স্ট্যান্ডার্ড ত্রুটি, কুর্তোসিস, স্কিউনেস, মিডিয়ান এবং প্রতিটি ভেরিয়েবলের জন্য ব্যাপ্তি।

— Britt
সূত্র
প্রশ্নটি গ্রুপ অনুসারে একত্রিত করার বিষয়ে , তবে গোষ্ঠী অনুসারেdescribe কিছুই করেনা ...
— গ্রেগর টমাস
describe.by(column, group = grouped_column)মানগুলি গোষ্ঠীভুক্ত করবে
— ব্রিট
4
ঠিক আছে, তারপর উত্তরে রাখুন! কোনও মন্তব্যে লুকিয়ে রাখবেন না!
— গ্রেগর থমাস
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.