在R中对数据框列表进行列均值计算

Question

这是我想做的事情。我的数据框有一个因子变量“国家”，我想根据国家拆分数据框。然后，我想对每个国家的数据框中的每个变量取列平均值。

数据在这里：https://github.com/pourque/country-data 到目前为止，我已经做了这个...

myList <- split(df1, df1$country)
for(i in 1:length(myList)) {
aggregate <- mapply(myList[[i]][,-c(38:39)], colMeans)
}

我不包括第38和39列，因为它们是因素。

我已经阅读了这篇文章(如何在多个列表上执行函数)，让我想到mapply可能是答案......但我得到了以下错误：

Error in match.fun(FUN) : 
'myList[[i]][, -c(38:39)]' is not a function, character or symbol 

也许我格式化不正确？

- Anshu Chen

---

为什么要将数据拆分成单独的数据框？直接使用data.table或dplyr即可。 - Gregor Thomas

这篇文章现在变得很好了！ - vagabond

Answer 1

使用基本的R语言，您可以直接使用aggregate函数进行操作，而无需事先将数据框分割为列表。aggregate函数可以很好地完成此任务。这里提供了一个示例，使用内置的鸢尾花数据，通过每个Species分组计算除第一和第二列以外所有变量的mean:

data(iris)
aggregate(. ~ Species, iris[-(1:2)], mean)
#     Species Petal.Length Petal.Width
#1     setosa        1.462       0.246
#2 versicolor        4.260       1.326
#3  virginica        5.552       2.026

在aggregate中的.表示您希望使用数据框中除分组变量（在此示例中是Species）以外的所有剩余列。由于您将iris[-(1:2)]指定为输入数据，因此也不使用第一列和第二列。

对于您的数据，应该像这样：

aggregate(. ~ country, df1[-c(38:39)], mean)

- talat

---

@Anshu，请您再试一次，使用底部稍作修改的代码。 - talat

或者尝试在聚合函数中使用 df1[-c("age", "gender")]。 - talat

特别奇怪的是，我得到的平均性别值大于3，而实际上性别选择只应该是1或2。例如，df1[df1 $ country =="AF"，]只给出一个性别为2的观测结果，但聚合函数却显示出性别= 3！ - Anshu Chen

很奇怪，我还没有下载你的数据。等我回到电脑前可能会下载。 - talat

@Anshu，我下载了你的数据，将其读入R并运行了x <- aggregate(. ~ country, df1[-c(38:39)], mean)。它产生了正确的输出，并且不包括"gender"或"age"列。你尝试的代码可能有错别字，或者与GitHub上的示例中的数据结构不同。 - talat

Answer 2

library(dplyr)

df1 %>%
    group_by(country) %>%
    select(-age, -gender) %>%
    summarise_each(funs(mean))

- Gregor Thomas

---

您还可以在 summarise_each 函数内取消选择这两列。 - talat

Answer 3

一个data.table的解答：

library(data.table)

setDT(df1)[, lapply(.SD, mean), by = country, .SDcols = -c('age', 'gender')]

感谢用户Arun，现在使用deselection语法可以更加整洁地在.SDcols中操作，

以下是对这段代码的解释：

• setDT(df1)将数据框转换为数据表
• lapply(.SD, mean)对于子集数据中的每一列，取其平均值mean
• by = country按照country分组执行上述操作
• .SDcols = -c('age', 'gender')从子集数据中省略掉age和gender两列

- arvi1000

---

我有点不喜欢这个答案的可读性，与其他答案相比。还有其他data.table的人想提出改进建议吗？ - arvi1000

你可以使用.SDcols，而不是setdiff吗？ - Frank

可以在.SDcols中指定所有所需的列，但这似乎与上述方法相同。有没有一种简洁的方法可以使用.SDcols来省略指定的列？ - arvi1000

setDT(df1)[, lapply(.SD, mean), by = country, .SDcols = -c("age", "gender")] - Arun

看起来最新版本的.SDcols语法更好，是吗？在这里的14-17项：https://github.com/Rdatatable/data.table#changes-in-v195--in-development-on-github即使使用`data.table`的CRAN版本，您也可以执行`df1[ , lapply(.SD, mean), by=country,.SDcols=setdiff(names(df1),c('age','gender'))]`，对吧？ - Frank

啊哈，谢谢@Arun！我不知道你可以在.SDcols中使用-进行取消选择。@Frank，是的，但那似乎很相似，就是我所说的（因为它仍然需要setdiff）。 - arvi1000

Answer 4

如果您坚持将所有内容都放在列表中：

#split and make list of df
myList <- split(df, df$country)

#aggregate without age and gender
my_aggregate <- function(df_inlist) {
  df_inlist <- aggregate(.~country, df_inlist[ , -c(38, 39)], mean)
}

#Apply aggregate function on all data frames in the list
out <- lapply(myList, function (x) {
  my_aggregate(x)
})

out是每个国家和变量的数据框的list，其中包含列平均值。如何将它们放在一个数据框中：

composite_df <- do.call(rbind, out)

- vagabond