按因子列聚合混合数据

Question

在过去的一周里，我一直在尝试汇总我的数据集，该数据集包含不同月份的不同体重测量值以及 R 中的大量背景变量。

我已经阅读了许多关于这个主题的不同问题（即 R aggregate data by defining grouping, ), but they all seem to either only work with one type of data or are only interested in one column. Specifically, question 处理几乎完全相同的问题，但建议的答案只解决了分类数据的问题，它不包括数字数据也。我的数据由因素（分类和序数）和数字数据组成。

可重现的例子是：

IDnumber <- c("1", "1", "1", "2", "2", "3", "3", "3")
Gender <- c("Male", "Male", "Male", "Female", "Female", "Female", "Female",  "Female")
Weight <- c(80, 82, 82, 70, 66, 54, 50, 52)
LikesSoda <- c("Yes", "No", "No", "Yes", "Yes", "Yes", "Yes", NA)
df = data.frame(IDnumber, Gender, Weight, LikesSoda)

我的输出数据框将采用每个数字列的平均值，以及每个因子列的最常见因子。在示例中，这将如下所示：

IDnumber <- c("1", "2", "3")
Gender <- c("Male", "Female", "Female")
Weight <- c(81.5, 78, 52)
LikesSoda <- c("No", "Yes", "Yes")
output = data.frame(IDnumber, Gender, Weight, LikesSoda)

到目前为止，我已经尝试将数据框拆分为一个因子数据框和一个数字数据框，并使用两个具有不同函数的聚合（意味着数字，但我一直无法找到一个工作函数分类数据）。另一种选择是使用 dplyr df &>& group_by(IDnumber) %>% summarise( transformation for each variable ) 代码，但这需要我指定如何手动处理每一列。由于我有超过 2500 列，这似乎不是一个可行的解决方案。

Answer 1

您可以编写自己的函数，然后使用 lapply。首先，编写一个函数来查找因子变量中出现频率最高的水平

getmode <- function(v) {
  levels(v)[which.max(table(v))]
}

然后根据传递给它的变量类型写一个函数到return均值或众数

my_summary <- function(x, id, ...){
  if (is.numeric(x)) {
    return(tapply(x, id, mean))
  }  
  if (is.factor(x)) {
    return(tapply(x, id, getmode))
  }  
}

最后，使用lapply计算汇总

data.frame(lapply(df, my_summary, id = df$IDnumber))
  IDnumber Gender   Weight LikesSoda
1        1   Male 81.33333        No
2        2 Female 68.00000       Yes
3        3 Female 52.00000       Yes

如果一个因素中可能有两个或更多水平具有相同的最大频率，那么 which.max 将只是 return 第一个水平。我从你的评论中了解到你只想知道其中有多少，所以一种选择可能是稍微修改 getmode 函数，这样当出现平局时它会在级别上添加一个星号：

getmode <- function(v) {
  tab <- table(v)
  if (sum(tab %in% max(tab)) > 1)  return(paste(levels(v)[which.max(tab)], '*'))
  levels(v)[which.max(tab)]
}

（更改您的示例数据，以便 IDnumber ==“2”的一名女性和一名男性）

data.frame(lapply(df, my_summary, id = df$IDnumber))

  IDnumber   Gender   Weight LikesSoda
1        1     Male 81.33333        No
2        2 Female * 68.00000       Yes
3        3   Female 52.00000       Yes

恐怕这有点乱 'solution'，但如果您只是想了解该问题的普遍程度，也许它足以满足您的需求。

按因子列聚合混合数据

Aggregating mixed data by factor column

grouping

group-by

aggregate

r

dataframe