使用dplyr对多个列进行汇总 - 分类版本

Question

跟着这个问题和这个问题，我想知道在一个数据集中汇总分类变量的最佳选项。

我有一个类似于以下的数据集

# A tibble: 10 <U+00D7> 4
    empstat_couple     nssec7_couple3  nchild07 age_couple
              <chr>             <fctr>    <fctr>      <dbl>
1         Neo-Trad   Lower Managerial    1child         39
2         Neo-Trad  Higher Managerial    1child         31
3         Neo-Trad Manual and Routine    1child         33
4             Trad  Higher Managerial    1child         43

前三个变量是分类的（字符或因子），最后一个是数值型的。

我想要的是类似于（输出）这样的东西。

                  var n   p
1:           Neo-Trad 6 0.6
2:    OtherArrangment 2 0.2
3:               Trad 2 0.2
4:  Higher Managerial 4 0.4
5:   Lower Managerial 5 0.5
6: Manual and Routine 1 0.1
7:             1child 9 0.9
8:          2children 1 0.1

对于数字变量，我不确定如何将其有意义地添加到总结中。

我想最基本的方式是：

library(dplyr) 
library(data.table) 

a = count(dt, empstat_couple) %>% mutate(p = n / sum(n))
b = count(dt, nssec7_couple3) %>% mutate(p = n / sum(n))
c = count(dt, nchild07) %>% mutate(p = n / sum(n))

rbindlist(list(a,b,c))

我想知道是否存在summarise_each解决方案？

这个不起作用。

dt %>% summarise_each(funs(count))

使用apply，我可以得出以下结果：

apply(dt, 2, as.data.frame(table)) %>% rbindlist()

但这并不好。有任何建议吗？数据。

dt = structure(list(empstat_couple = c("Neo-Trad", "Neo-Trad", "Neo-Trad", 
"Trad", "OtherArrangment", "Neo-Trad", "Trad", "OtherArrangment", 
"Neo-Trad", "Neo-Trad"), nssec7_couple3 = structure(c(2L, 1L, 
4L, 1L, 2L, 2L, 1L, 2L, 1L, 2L), .Label = c("Higher Managerial", 
"Lower Managerial", "Intermediate", "Manual and Routine"), class = "factor"), 
nchild07 = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 
1L), .Label = c("1child", "2children", ">2children"), class = "factor"), 
age_couple = c(39, 31, 33, 43, 32, 28, 28, 40, 33, 26), hldid = 1:10), .Names = c("empstat_couple", 
"nssec7_couple3", "nchild07", "age_couple", "hldid"), row.names = c(NA, 
-10L), class = "data.frame")

- giac

---

关于计算“p”，是否正确？ - akrun

@akrun 我也这么认为。这只是比例问题。 - giac

Answer 1

我们可以使用 data.table 进行melt，并获取.N 和比例。

library(data.table)
unique(melt(setDT(dt), id.var = "age_couple")[,  n := .N , value], 
       by = c("variable", "value", "n"))[,  p := n/sum(n), variable 
        ][, c("age_couple", "variable" ) := NULL][]

---

或者使用 dplyr/tidyr

library(dplyr)
library(tidyr)
gather(dt, var1, var, -age_couple) %>%
           group_by(var) %>%
           mutate(n = n()) %>%
           select(-age_couple) %>%
           unique() %>% 
           group_by(var1) %>%
           mutate(p= n/sum(n)) %>%
           ungroup() %>%
           select(-var1)

- akrun

---

非常整洁。我喜欢data.table的解决方案。我可以使用我的几个个人标识符作为id.var。效果很好。谢谢。 - giac

然而，您的 p 并没有给我正确的结果。 - giac

@giacomoV，我修改了第一个解决方案，请检查是否符合您的要求，我也会修改第二个。 - akrun

为了清晰起见，我添加了“个人标识符”。但第一种解决方案现在可以与“hldid”很好地配合使用。 - giac