按因子变量在数据框中计算列的均值

Question

我想要为数据框中的不同因素计算一些变量的平均值。假设我有：

    time    geo var1    var2   var3    var4
1   1990    AT  1       7      13       19
2   1991    AT  2       8      14       20
3   1992    AT  3       9      15       21
4   1990    DE  4       10     16       22
5   1991    DE  5       11     17       23
6   1992    DE  6       12     18       24

And I want:

    time    geo var1    var2   var3    var4   m_var2   m_var3
1   1990    AT  1       7      13       19    8        14
2   1991    AT  2       8      14       20    8        14
3   1992    AT  3       9      15       21    8        14
4   1990    DE  4       10     16       22    11       17
5   1991    DE  5       11     17       23    11       17
6   1992    DE  6       12     18       24    11       17

我尝试了一些by()和lapply()的方法，但我认为这会涉及到ddply的方向。

require(plyr)
Dataset <- data.frame(time=rep(c(1990:1992),2),geo=c(rep("AT",3),rep("DE",3))
      ,var1=as.numeric(c(1:6)),var2=as.numeric(c(7:12)),var3=as.numeric(c(13:18)),
      var4=as.numeric(c(19:24)))

newvars <- c("var2","var3")
newData <- Dataset[,c("geo",newvars)]

目前，我可以在两个错误之间选择：

ddply(newData,newData[,"geo"],colMeans) 
#where R apparently thinks AT is the variable?

ddply(newData,"geo",colMeans)
#where R worries about the factor variable not being numeric?

我的lapply尝试让我取得了很大的进展，但是最后留下了一个我无法将其转换为数据框的列表：

lapply(newvars,function(x){
       by(Dataset[x],Dataset[,"geo"],function(x) 
       rep(colMeans(x,na.rm=T),length(unique(Dataset[,"time"]))))
       })

我认为这甚至可以通过合并和过滤来完成，就像这里所示：在使用过滤器的情况下在数据框中对不同变量进行Lapply，但我无法将它们组合起来。任何帮助都将不胜感激！

- Jakob

Answer 1

使用 dplyr 的其他方法

library(dplyr)
df1 %>% group_by(geo) %>% mutate(m_var2=mean(var2), m_var3=mean(var3))

- Shenglin Chen

Answer 2

另一个简单的基于R语言的解决方案是：

transform(df, m_var2 = ave(var2, geo), m_var3 = ave(var3, geo))
#   time geo var1 var2 var3 var4 m_var2 m_var3
# 1 1990  AT    1    7   13   19      8     14
# 2 1991  AT    2    8   14   20      8     14
# 3 1992  AT    3    9   15   21      8     14
# 4 1990  DE    4   10   16   22     11     17
# 5 1991  DE    5   11   17   23     11     17
# 6 1992  DE    6   12   18   24     11     17

几年后，我认为更简洁的方法是更新实际数据集（而不是创建新数据集），并在列向量上操作（而不是手动编写它们）。

vars <- paste0("var", 2:3) # Select desired cols
df[paste0("m_", vars)] <- lapply(df[vars], ave, df[["geo"]]) # Loop and update

- David Arenburg

Answer 3

一种选择是使用data.table。我们可以将data.frame转换为data.table (setDT(df1))，通过在.SDcols中指定列索引，以'geo'为分组条件来选择指定的列 ('var2'和'var3') 的mean (lapply(.SD, mean))。通过将输出(:=)赋值给新的列名(paste('m', names(df1)[4:5]))来创建新列。

library(data.table)
setDT(df1)[, paste('m', names(df1)[4:5], sep="_") :=lapply(.SD, mean)
            ,by = geo, .SDcols=4:5]
#     time geo var1 var2 var3 var4 m_var2 m_var3
#1: 1990  AT    1    7   13   19      8     14
#2: 1991  AT    2    8   14   20      8     14
#3: 1992  AT    3    9   15   21      8     14
#4: 1990  DE    4   10   16   22     11     17
#5: 1991  DE    5   11   17   23     11     17
#6: 1992  DE    6   12   18   24     11     17

注意：此方法更为通用。我们可以在不进行任何主要代码更改的情况下，即使针对100个变量，也可以创建mean列。例如，如果我们需要获取4:100列的mean，则更改.SDcols=4:100并在paste('m', names(df1)[4:100]中进行。

数据

df1 <- structure(list(time = c(1990L, 1991L, 1992L, 1990L, 1991L, 1992L
), geo = c("AT", "AT", "AT", "DE", "DE", "DE"), var1 = 1:6, var2 = 7:12, 
var3 = 13:18, var4 = 19:24), .Names = c("time", "geo", "var1", 
"var2", "var3", "var4"), class = "data.frame", row.names = c("1", 
"2", "3", "4", "5", "6"))

- akrun

---

@DavidArenburg 这样吗？好的，那我会具体说明它。 - akrun

太好了，谢谢！我可以让它运行通过我自己指定的变量向量，正是我所需要的。 - Jakob

@Jakob 我更倾向于保留错误的代码，这样其他人就能理解正确和错误之间的区别。但是，如果你愿意，你可以删除它。 - akrun

Answer 4

在基础 R 中：

 cbind(df1,m_var2=ave(df1$var2,df1$geo),m_var3=ave(df1$var3,df1$geo))

- nicola