如何按组获取汇总统计信息答案

【问题标题】：How to get summary statistics by group如何按组获取汇总统计信息
【发布时间】：2012-04-08 11:26:23
【问题描述】：

我试图在 R/S-PLUS 中一次性获得按分类列分组的多个汇总统计信息。我发现了几个函数，但它们每次调用都会做一个统计，比如aggregate()。

data <- c(62, 60, 63, 59, 63, 67, 71, 64, 65, 66, 68, 66, 
          71, 67, 68, 68, 56, 62, 60, 61, 63, 64, 63, 59)
grp <- factor(rep(LETTERS[1:4], c(4,6,6,8)))
df <- data.frame(group=grp, dt=data)
mg <- aggregate(df$dt, by=df$group, FUN=mean)    
mg <- aggregate(df$dt, by=df$group, FUN=sum)

我正在寻找的是在一次调用中获取同一组的多个统计信息，例如平均值、最小值、最大值、标准差等，这可行吗？

【问题讨论】：

这是一个非常基本的问题，有多个答案。你可能不熟悉 RSeek (LINK) 和 sos 库 (LINK) 两者都是帮助你找出问题答案的好资源。相信有了这些资源，您将能够在几秒钟内回答您自己的问题。
data <- c( 行末尾多了一个逗号。
我刚刚发现了一个很棒的 R 包tables。您可以根据需要将数据按任意多个类别制成表格，并计算多个变量的多个统计数据 - 这真是太棒了！但是等等，还有更多！该软件包具有为您的表格生成 LaTeX 代码的功能，以便轻松导入到您的文档中。

标签： r s

【解决方案1】：

1。 `tapply`

我会为tapply() 投入两分钱。

tapply(df$dt, df$group, summary)

您可以使用所需的特定统计信息编写自定义函数或格式化结果：

tapply(df$dt, df$group,
  function(x) format(summary(x), scientific = TRUE))
$A
       Min.     1st Qu.      Median        Mean     3rd Qu.        Max. 
"5.900e+01" "5.975e+01" "6.100e+01" "6.100e+01" "6.225e+01" "6.300e+01" 

$B
       Min.     1st Qu.      Median        Mean     3rd Qu.        Max. 
"6.300e+01" "6.425e+01" "6.550e+01" "6.600e+01" "6.675e+01" "7.100e+01" 

$C
       Min.     1st Qu.      Median        Mean     3rd Qu.        Max. 
"6.600e+01" "6.725e+01" "6.800e+01" "6.800e+01" "6.800e+01" "7.100e+01" 

$D
       Min.     1st Qu.      Median        Mean     3rd Qu.        Max. 
"5.600e+01" "5.975e+01" "6.150e+01" "6.100e+01" "6.300e+01" "6.400e+01"

2。 `data.table`

data.table 包为这些类型的操作提供了许多有用且快速的工具：

library(data.table)
setDT(df)
> df[, as.list(summary(dt)), by = group]
   group Min. 1st Qu. Median Mean 3rd Qu. Max.
1:     A   59   59.75   61.0   61   62.25   63
2:     B   63   64.25   65.5   66   66.75   71
3:     C   66   67.25   68.0   68   68.00   71
4:     D   56   59.75   61.5   61   63.00   64

【讨论】：

@maximusyoda，要获取科学计数法，使用自定义函数代替summary 如：tapply(df$dt, df$group, function(x) format(summary(x), scientific = TRUE))
如何将此列表导出到数据框中？
@JorgeParedes，你的意思是汇总统计列表吗？我通常将data.table 包用于这些类型的操作。我会用一个例子来更新答案。

【解决方案2】：

dplyr 包可以很好地解决这个问题：

library(dplyr)

df %>% 
  group_by(group) %>% 
  summarize(mean = mean(dt),
            sum = sum(dt))

获取第一象限和第三象限

df %>% 
  group_by(group) %>% 
  summarize(q1 = quantile(dt, 0.25),
            q3 = quantile(dt, 0.75))

【讨论】：

【解决方案3】：

使用 Hadley Wickham 的 purrr 包，这非常简单。使用split 将传递的data_frame 分成组，然后使用map 将summary 函数应用于每个组。

library(purrr)

df %>% split(.$group) %>% map(summary)

【讨论】：

df %>% group_by(group) %>% do(data.frame(summary(.))) 应该在 dplyr 中做类似的事情
这似乎产生与使用基本 R 的 tapply 方法相同的输出。

【解决方案4】：

有很多不同的方法可以解决这个问题，但我偏爱 psych 包中的 describeBy：

describeBy(df$dt, df$group, mat = TRUE)

【讨论】：

【解决方案5】：

看看plyr 包。具体来说，ddply

ddply(df, .(group), summarise, mean=mean(dt), sum=sum(dt))

【讨论】：

【解决方案6】：

经过 5 年的漫长岁月，我确信这个答案不会受到太多关注，但仍然要使所有选项都完整，这里是 data.table 的选项

library(data.table)
setDT(df)[ , list(mean_gr = mean(dt), sum_gr = sum(dt)) , by = .(group)]
#   group mean_gr sum_gr
#1:     A      61    244
#2:     B      66    396
#3:     C      68    408
#4:     D      61    488

【讨论】：

【解决方案7】：

psych 包有一个很好的分组汇总统计选项：

library(psych)
    
describeBy(dt, group="grp")

产生许多有用的统计数据，包括平均值、中位数、范围、标准差、se。

【讨论】：

【解决方案8】：

除了describeBy，doBy 包是另一种选择。它提供了 SAS PROC Summary 的大部分功能。细节： http://www.statmethods.net/stats/descriptives.html

【讨论】：

另一种快速制表数据（没有描述性统计数据）的方法是使用descr 包中的freq 函数。严格来说，这不是您所要求的，但可能仍然具有指导意义。详情：rdocumentation.org/packages/descr/functions/freq

【解决方案9】：

虽然其他一些方法有效，但这与您所做的非常接近，并且仅使用 base r。如果您知道聚合命令，这可能更直观。

with( df , aggregate( dt , by=list(group) , FUN=summary)  )

【讨论】：

为这个使用base R，返回一个data.frame，并使用summary函数大喊大叫，所以我不需要写一个。

【解决方案10】：

不知道为什么 popular skimr package 没有被提出。他们的功能skim()是meant to replace the base R summary()，支持dplyr分组：

library(dplyr)
library(skimr)

starwars %>%
  group_by(gender) %>%
  skim()

#> ── Data Summary ────────────────────────
#>                            Values    
#> Name                       Piped data
#> Number of rows             87        
#> Number of columns          14        
#> _______________________              
#> Column type frequency:               
#>   character                7         
#>   list                     3         
#>   numeric                  3         
#> ________________________             
#> Group variables            gender    
#> 
#> ── Variable type: character ──────────────────────────────────────────────────────
#>    skim_variable gender    n_missing complete_rate   min   max empty n_unique
#>  1 name          feminine          0         1         3    18     0       17
#>  2 name          masculine         0         1         3    21     0       66
#>  3 name          <NA>              0         1         8    14     0        4
#>  4 hair_color    feminine          0         1         4     6     0        6
#>  5 hair_color    masculine         5         0.924     4    13     0        9
#>  6 hair_color    <NA>              0         1         4     7     0        4
#> # [...]
#> 
#> ── Variable type: list ───────────────────────────────────────────────────────────
#>   skim_variable gender    n_missing complete_rate n_unique min_length max_length
#> 1 films         feminine          0             1        9          1          5
#> 2 films         masculine         0             1       24          1          7
#> 3 films         <NA>              0             1        3          1          2
#> 4 vehicles      feminine          0             1        3          0          1
#> 5 vehicles      masculine         0             1        9          0          2
#> 6 vehicles      <NA>              0             1        1          0          0
#> # [...]
#> 
#> ── Variable type: numeric ────────────────────────────────────────────────────────
#>   skim_variable gender    n_missing complete_rate  mean     sd    p0   p25   p50
#> 1 height        feminine          1         0.941 165.   23.6     96 162.  166. 
#> 2 height        masculine         4         0.939 177.   37.6     66 171.  183  
#> 3 height        <NA>              1         0.75  181.    2.89   178 180.  183  
#> # [...]

【讨论】：

【解决方案11】：

首先，这取决于您的 R 版本。如果您已通过 2.11，则可以将聚合门与多个结果函数（摘要、实例或您自己的函数）一起使用。如果没有，您可以使用 Justin 的答案。

【讨论】：

【解决方案12】：

this 也可以工作，

spl <- split(mtcars, mtcars$cyl)
list.of.summaries <- lapply(spl, function(x) data.frame(apply(x[,3:6], 2, summary)))
list.of.summaries

【讨论】：

【解决方案13】：

对于dplyr 的更新（>1.0）版本，您可以使用

iris %>% 
  group_by(Species)  %>% 
  summarise(as_tibble(rbind(summary(Sepal.Length))))

这是因为 dplyr 会将 summarise 的结果解压缩到列中，如果参数计算为数据框。

【讨论】：

1。 tapply

2。 data.table

1。 `tapply`

2。 `data.table`