如何最好地使用 dplyr 对数据进行子集化并创建相对频率表？答案

【问题标题】：How can I best use dplyr to subset data and create relative frequency tables?如何最好地使用 dplyr 对数据进行子集化并创建相对频率表？
【发布时间】：2022-02-03 06:39:26
【问题描述】：

我正在使用iris 数据集来学习如何使用dplyr，并尝试创建一个如下所示的相对频率表：

Petal.Width	.1	.2	.3	.4	.5	.6	1	1.1	1.2	1.3	1.4	1.5	1.6	1.7	1.8
Species
setosa	0.10	0.58	0.14	0.14	0.02	0.02	0	0	0	0	0	0	0	0	0
versicolor	0	0	0	0	0	0	0.14	0.06	0.10	0.26	0.14	0.02	0.20	0.04	0.06

我正在努力按物种对观察结果进行分组，然后逐个物种产生相对频率。

我猜它必须是使用 group_by、mutate 和 count 的东西，但我可以在网上找到的最接近的东西是：

my_data %>% 
    group_by(Petal.Width,Species) %>% 
    summarise(n = n()) %>%
    ungroup %>% 
    mutate(total = sum(n), rel.freq = n / total)

这仍然不是我想要的，因为它是观察的总数，而不是每个物种的数量。

非常感谢任何帮助！

【问题讨论】：

标签： r dplyr tidyverse

【解决方案1】：

您可以在 dplyr 中执行此操作，但它是基础 R 中的单行：

t(apply(table(iris$Species, iris$Petal.Width), 1, function(x) x/sum(x)))
#>             
#>              0.1  0.2  0.3  0.4  0.5  0.6    1  1.1 1.2  1.3  1.4  1.5  1.6
#>   setosa     0.1 0.58 0.14 0.14 0.02 0.02 0.00 0.00 0.0 0.00 0.00 0.00 0.00
#>   versicolor 0.0 0.00 0.00 0.00 0.00 0.00 0.14 0.06 0.1 0.26 0.14 0.20 0.06
#>   virginica  0.0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.0 0.00 0.02 0.04 0.02
#>             
#>               1.7  1.8 1.9    2  2.1  2.2  2.3  2.4  2.5
#>   setosa     0.00 0.00 0.0 0.00 0.00 0.00 0.00 0.00 0.00
#>   versicolor 0.02 0.02 0.0 0.00 0.00 0.00 0.00 0.00 0.00
#>   virginica  0.02 0.22 0.1 0.12 0.12 0.06 0.16 0.06 0.06

^{由reprex package (v2.0.1) 于 2022-02-02 创建}

【讨论】：

m = table(iris$Species, iris$Petal.Width); m/rowSums(m)

【解决方案2】：

这样的？

但不确定“宽”格式；我倾向于保持它尽可能长（省略pivot_wider 步骤）。

library(dplyr)
library(tidyr)

iris %>% 
  count(Species, Petal.Width) %>% 
  group_by(Species) %>% 
  mutate(p = n/sum(n)) %>% 
  ungroup() %>% 
  select(-n) %>% 
  pivot_wider(names_from = "Petal.Width", values_from = "p")

结果：

Species    `0.1` `0.2` `0.3` `0.4` `0.5` `0.6`   `1` `1.1` `1.2` `1.3` `1.4` `1.5` `1.6` `1.7` `1.8` `1.9`   `2` `2.1` `2.2` `2.3` `2.4` `2.5`
  <fct>      <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 setosa       0.1  0.58  0.14  0.14  0.02  0.02 NA    NA     NA   NA    NA    NA    NA    NA    NA     NA   NA    NA    NA    NA    NA    NA   
2 versicolor  NA   NA    NA    NA    NA    NA     0.14  0.06   0.1  0.26  0.14  0.2   0.06  0.02  0.02  NA   NA    NA    NA    NA    NA    NA   
3 virginica   NA   NA    NA    NA    NA    NA    NA    NA     NA   NA     0.02  0.04  0.02  0.02  0.22   0.1  0.12  0.12  0.06  0.16  0.06  0.06

【讨论】：

非常感谢！这非常接近我的需要！对于我自己的学习，这里的 n 是怎么回事？我想了解它在做什么。
n 是count 生成的列的默认名称。
n 如何自动识别哪些观察结果与单个物种相关？不是将所有 setosa 实例除以 150 个值，而是除以 50（即 setosa 的 50 个）？
group_by 就是这样做的。理解代码的最佳方式是通过添加每一行来运行它：从前 2 行开始，直到但不包括 %>%，然后是前 3 行，前 4 等等（总是直到但不包括%>%。这样您将看到每个阶段的输出。