聚合/汇总每组的多个变量（例如总和、平均值）

Question

从数据框中，是否有一种简单的方法同时聚合（

sum

、

mean

、

max

等）多个变量？

以下是一些示例数据：

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)

我想按年和月同时聚合

x1

数据框中的

x2

和

df2

变量。下面的代码聚合了

x1

变量，但是是否也可以同时聚合

x2

变量呢？

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

Answer 1

是的，在您的

formula

中，您可以

cbind

要聚合的数字变量：

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

见

?aggregate

，

formula

论点和例子。

Answer 2

使用 dplyr 包，您可以使用

summarize(across())

使用 tidyselect 语言聚合多个变量。对于示例数据集，您可以按如下方式执行此操作：

library(dplyr)

# summarising all non-grouping variables
df1 %>% group_by(year, month) %>% summarise(across(everything(), n_distinct))

# summarising a specific set of non-grouping variables
df1 %>% group_by(year, month) %>% summarise(across(x1:x2, sum))
df1 %>% group_by(year, month) %>% summarise(across(c(x1, x2), sum))
df1 %>% group_by(year, month) %>% summarise(across(-date, sum))

# summarising a specific set of non-grouping variables using selection helpers:
df1 %>% group_by(year, month) %>% summarise(across(starts_with('x'), sum))
df1 %>% group_by(year, month) %>% summarise(across(matches('.*[0-9]'), sum))

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

后五个选项的结果：

    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

您还可以将多个功能应用于选择列：

df1 %>% 
  group_by(year, month) %>% 
  summarise(across(x1:x2, list(sum = sum, avg = mean)))

   year month  x1_sum  x1_avg x2_sum x2_avg
  <dbl> <dbl>   <dbl>   <dbl>  <dbl>  <dbl>
1  2000     1  -97.0   -3.13    110.   3.55
2  2000     2  195.     6.73    150.   5.17
3  2000     3  224.     7.24    278.   8.96
4  2000     4  175.     5.85    199.   6.64
5  2000     5  172.     5.53    199.   6.43
6  2000     6  129.     4.29    602.  20.1 
7  2000     7    4.84   0.156  1063.  34.3 
8  2000     8 -373.   -12.0    1285.  41.5 
9  2000     9 -158.    -5.26   1461.  48.7 
10  2000    10  131.     4.22   1608.  51.9 
# … with 14 more rows

一些最后的说明：

默认情况下，
```
summarise()
```
删除最后一层分组，因此上面的所有示例仍将按
```
year
```
分组。要取消所有分组，您可以添加
```
ungroup()
```
调用，或在
```
.groups = "drop"
```
调用中设置
```
summarise()
```
。
从 dplyr 1.1.0 开始，您可以选择使用
```
.by
```
参数为汇总操作指定分组，例如，
```
df1 %>% summarise(across(c(x1, x2), sum), .by = c(year, month))
```
```
 
```
across（）
```
also works with other dplyr verbs such as
```
mutate（）
```
and
```
reframe（）`.
在 dplyr 1.0.0 引入
```
across()
```
之前，这些类型的操作是由
```
summarise_all()
```
、
```
summarise_at()
```
、
```
summarise_if()
```
和（甚至更早）由
```
summarise_each()
```
完成的。这些现在已被取代或弃用，取而代之的是
```
across()
```
.

如我上面的评论中所述，您还可以使用

recast

-package中的

reshape2

功能：

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

这会给你同样的结果。

Answer 3

使用

data.table

包，速度很快（对较大的数据集很有用）

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

使用 plyr 包

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

使用 Hmisc 包中的 summarize() （尽管在我的例子中列标题很乱）

# 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))

Answer 4

这个

year()

函数来自哪里？

您也可以使用

reshape2

包来完成此任务：

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

Answer 5

有趣的是，base R

aggregate

的

data.frame

方法这里没有展示，above使用公式接口，所以为了完整性：

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

aggregate 的 data.frame 方法更通用：

因为我们提供了一个

```
data.frame
```
作为
```
x
```
和
a
```
list
```
（
```
data.frame
```
也是
```
list
```
）作为
```
by
```
，如果我们需要以动态方式使用它，这将非常有用，例如使用其他列进行聚合和聚合非常简单
还具有定制的聚合功能

例如像这样：

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)

Answer 6

随着

dplyr

版本>=

1.0.0

，我们也可以使用

summarise

通过

across

在多个列上应用函数

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

Answer 7

要获得更灵活、更快速的数据聚合方法，请查看 CRAN 上可用的

collapse

R 包中的 collap 函数：

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

注意：您可以将

mean, max

等基本函数与

collap

一起使用，但是

fmean, fmax

等是 collapse 包中提供的基于 C++ 的分组函数，速度明显更快（即大数据的性能aggregations 与 data.table 相同，同时提供更大的灵活性，并且这些快速分组功能也可以在没有

collap

的情况下使用。

Note2：

collap

还支持灵活的多类型数据聚合，您当然可以使用

custom

参数，但您也可以以半自动的方式将函数应用于数字和非数字列：

# 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

Answer 8

更新的

dplyr

解决方案：自

dplyr 1.1.0

以来，您可以在.by

中使用

summarise

进行内联临时分组（计算后自动

ungroup

s）。

使用

across

（可从

dplyr 1.0.0

获得）允许同时对多个列使用相同的功能。

library(dplyr)
df1 %>%
  summarise(across(starts_with('x'), sum), .by = c(year, month))

# A tibble: 24 x 4
#    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

Answer 9

下面是另一种汇总多列的方法，当函数需要更多参数时特别有用。您可以通过

everything()

或像

any_of(c("a", "b"))

这样的列的子集来选择所有列。

library(dplyr)
# toy data
df <- tibble(a = sample(c(NA, 5:7), 30, replace = TRUE), 
             b = sample(c(NA, 1:5), 30, replace = TRUE), 
             c = sample(1:5, 30, replace = TRUE), 
             grp = sample(1:3, 30, replace = TRUE))
df
#> # A tibble: 30 × 4
#>        a     b     c   grp
#>    <int> <int> <int> <int>
#>  1     7     1     3     1
#>  2     7     4     4     2
#>  3     5     1     3     3
#>  4     7    NA     3     2
#>  5     7     2     5     2
#>  6     7     4     4     2
#>  7     7    NA     3     3
#>  8    NA     5     4     1
#>  9     5     1     1     2
#> 10    NA     3     1     2
#> # … with 20 more rows
df %>% 
  group_by(grp) %>%
  summarise(across(everything(), 
                   list(mean = ~mean(., na.rm = TRUE),
                        q75 = ~quantile(., probs = .75, na.rm = TRUE))))
#> # A tibble: 3 × 7
#>     grp a_mean a_q75 b_mean b_q75 c_mean c_q75
#>   <int>  <dbl> <dbl>  <dbl> <dbl>  <dbl> <dbl>
#> 1     1   6.6      7   2.88  4.25   3        4
#> 2     2   6.33     7   2.62  3.25   2.9      4
#> 3     3   5.78     6   3.33  4      3.09     4

Answer 10

聚会迟到了，但最近找到了另一种获取摘要统计信息的方法。

library(psych)
describe(data)

会输出：每个变量的均值、最小值、最大值、标准差、n、标准误差、峰度、偏度、中位数和范围。

聚合/汇总每组的多个变量（例如总和、平均值）

问题描述投票：0回答：10

10个回答

最新问题

聚合/汇总每组的多个变量（例如总和、平均值）

问题描述 投票：0回答：10

10个回答

最新问题

问题描述投票：0回答：10