如何按组对变量求和

Question

假设我有两列数据。第一个包含诸如“First”，“Second”，“Third”等类别。第二个包含代表我看到“First”的次数的数字。例如：Category     FrequencyFirst        10First        15First        5Second       2Third        14Third        20Second       3我想按类别对数据进行排序并对频率求和：Category     FrequencyFirst        30Second       5Third        34我怎么会在R？

Answer 1

使用aggregate：

aggregate(x$Frequency, by=list(Category=x$Category), FUN=sum)

  Category  x

1    First 30

2   Second  5

3    Third 34

在上面的示例中，可以在中指定多个维度list。可以通过cbind以下方式合并相同数据类型的多个聚合度量标准：

aggregate(cbind(x$Frequency, x$Metric2, x$Metric3) ...

（嵌入@thelatemail评论），aggregate也有一个公式界面

aggregate(Frequency ~ Category, x, sum)

或者，如果要聚合多个列，可以使用.表示法（也适用于一列）

aggregate(. ~ Category, x, sum)

或者tapply：

tapply(x$Frequency, x$Category, FUN=sum)

 First Second  Third 

    30      5     34 

使用此数据：

x <- data.frame(Category=factor(c("First", "First", "First", "Second",

                                      "Third", "Third", "Second")), 

                    Frequency=c(10,15,5,2,14,20,3))

Answer 2

最近，您还可以使用dplyr包来实现此目的：

library(dplyr)

x %>% 

  group_by(Category) %>% 

  summarise(Frequency = sum(Frequency))

#Source: local data frame [3 x 2]

#

#  Category Frequency

#1    First        30

#2   Second         5

#3    Third        34

或者，对于多个汇总列（也适用于一列）：

x %>% 

  group_by(Category) %>% 

  summarise_each(funs(sum))

更新dplyr> = 0.5： summarise_each已取代summarise_all，summarise_at和summarise_if家族的功能dplyr。

或者，如果您有多个要分组的列，则可以group_by使用逗号分隔所有这些列：

mtcars %>% 

  group_by(cyl, gear) %>%                            # multiple group columns

  summarise(max_hp = max(hp), mean_mpg = mean(mpg))  # multiple summary columns

有关更多信息，包括%>%运算符，请参阅dplyr简介。

Answer 3

rcs提供的答案很简单。但是，如果您正在处理更大的数据集并需要提高性能，那么可以采用更快的替代方案：

library(data.table)

data = data.table(Category=c("First","First","First","Second","Third", "Third", "Second"), 

                  Frequency=c(10,15,5,2,14,20,3))

data[, sum(Frequency), by = Category]

#    Category V1

# 1:    First 30

# 2:   Second  5

# 3:    Third 34

system.time(data[, sum(Frequency), by = Category] )

# user    system   elapsed 

# 0.008     0.001     0.009 

让我们使用data.frame和上面的内容将它与同一个东西进行比较：

data = data.frame(Category=c("First","First","First","Second","Third", "Third", "Second"),

                  Frequency=c(10,15,5,2,14,20,3))

system.time(aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum))

# user    system   elapsed 

# 0.008     0.000     0.015 

如果你想保留列，这就是语法：

data[,list(Frequency=sum(Frequency)),by=Category]

#    Category Frequency

# 1:    First        30

# 2:   Second         5

# 3:    Third        34

对于较大的数据集，差异将变得更加明显，如下面的代码所示：

data = data.table(Category=rep(c("First", "Second", "Third"), 100000),

                  Frequency=rnorm(100000))

system.time( data[,sum(Frequency),by=Category] )

# user    system   elapsed 

# 0.055     0.004     0.059 

data = data.frame(Category=rep(c("First", "Second", "Third"), 100000), 

                  Frequency=rnorm(100000))

system.time( aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum) )

# user    system   elapsed 

# 0.287     0.010     0.296 

对于多个聚合，您可以组合lapply并按.SD如下方式进行组合

data[, lapply(.SD, sum), by = Category]

#    Category Frequency

# 1:    First        30

# 2:   Second         5

# 3:    Third        34

Answer 4

几年后，只是为了添加另一个简单的基础R解决方案，由于某种原因，这里不存在 -  xtabs

xtabs(Frequency ~ Category, df)

# Category

# First Second  Third 

#    30      5     34 

或者如果你想data.frame回来

as.data.frame(xtabs(Frequency ~ Category, df))

#   Category Freq

# 1    First   30

# 2   Second    5

# 3    Third   34