使用 lapply 和 which 通过特征和功能对数据帧进行子集化

Question

我有一个包含 5 维数据的数据框，如下所示：

> dim(alldata)
[1] 162   6
> head(alldata)
         value layer Kmultiplier Resolution      Season           Variable
1:  0.01308008     b        .01K        1km    Baseflow Evapotranspiration
2:  0.03974779     b        .01K        1km   Peak Flow Evapotranspiration
3:  0.02396524     b        .01K        1km Summer Flow Evapotranspiration
4: -0.15670996     b        .01K        1km    Baseflow          Discharge
5:  0.06774948     b        .01K        1km   Peak Flow          Discharge
6: -0.04138313     b        .01K        1km Summer Flow          Discharge

我想做的是根据其他列获取数据的某些“特征”的值列的平均值。所以我用 which 将数据子集化为我感兴趣的变量，例如：

> subset=alldata[which(alldata$Variable=="Discharge" & alldata$Resolution=="1km" & alldata$Season=="Peak Flow"),]
> subset
          value layer Kmultiplier Resolution    Season  Variable
1:  0.067749478     b        .01K        1km Peak Flow Discharge
2:  0.058260448     b         .1K        1km Peak Flow Discharge
3: -0.223953725     b         10K        1km Peak Flow Discharge
4:  0.272916114     g        .01K        1km Peak Flow Discharge
5:  0.240135025     g         .1K        1km Peak Flow Discharge
6: -0.216730348     g         10K        1km Peak Flow Discharge
7:  0.088966500     s        .01K        1km Peak Flow Discharge
8: -0.018943754     s         .1K        1km Peak Flow Discharge
9: -0.008339365     s         10K        1km Peak Flow Discharge

这就是我卡住的地方。假设我想要一个向量或“层”列中每个值的平均值列表......所以我最终会得到 3 个数字，一个用于“b”，一个用于“g”，一个用于“s”。我需要制作一堆这样的子集，我认为应用函数可以提供帮助，但是在多个教程和堆栈问题之后，我无法让它工作。一个更简单的例子也可以，像这样：

> A=data.frame(seq(1,9),rep(c("a","b","c"),3),c(rep("type1",3),rep("type2",3),rep("type3",3)),c(rep("place1",2),rep("place2",2),rep("place3",2),rep("place1",2),rep("place2",1)))
> names(A)=c("value","Letter","Type","Place")
> A
  value Letter  Type  Place
1     1      a type1 place1
2     2      b type1 place1
3     3      c type1 place2
4     4      a type2 place2
5     5      b type2 place3
6     6      c type2 place3
7     7      a type3 place1
8     8      b type3 place1
9     9      c type3 place2

从这个简单的例子中，我需要用 Letter 列出的列“value”的平均值来表示“place1”，它应该返回类似：“a=mean value, b=mean value, c=mean value”任何格式都可以。

这是应用功能的工作吗？如果是这样，怎么做？如果没有，请告诉我一个更好的方法来对我的数据进行子集化。

谢谢！

Answer 1

在您提供的示例数据集上实施的替代解决方案，此处未使用任何apply 系列函数。

使用 dplyr 包

library(dplyr)
A %>% 
 group_by_(.dots = c("Place","Letter")) %>% 
 summarise(MEAN = mean(value))

# Source: local data frame [6 x 3]
# Groups: Place [?]

#    Place Letter  MEAN
#    <fctr> <fctr> <dbl>
# 1 place1      a     4
# 2 place1      b     5
# 3 place2      a     4
# 4 place2      c     6
# 5 place3      b     5
# 6 place3      c     6

或

使用by()函数

> by(A$value, A[,c(2,4)], FUN = mean)
# Letter: a
# Place: place1
# [1] 4
# ------------------------------------------------------------ 
# Letter: b
# Place: place1
# [1] 5
# ------------------------------------------------------------ 
# Letter: c
# Place: place1
# [1] NA
# ------------------------------------------------------------ 
# Letter: a
# Place: place2
# [1] 4
# ------------------------------------------------------------ 
# Letter: b
# Place: place2
# [1] NA
# ------------------------------------------------------------ 
# Letter: c
# Place: place2
# [1] 6
# ------------------------------------------------------------ 
# Letter: a
# Place: place3
# [1] NA
# ------------------------------------------------------------ 
# Letter: b
# Place: place3
# [1] 5
# ------------------------------------------------------------ 
# Letter: c
# Place: place3
# [1] 6

Answer 2

考虑by 是tapply 的面向对象的包装器，它可以跨一个或多个因素（例如地点 和时间。从数据框列表中，您可以将行绑定到最后一个 df。

df_List <- by(A, A[,c("Place", "Letter")], 
                   FUN = function(i) transform(i, mean = mean(i$value)))

finaldf <- do.call(rbind, dfList)
finaldf
#   value Letter  Type  Place mean
# 1     1      a type1 place1    4
# 7     7      a type3 place1    4
# 4     4      a type2 place2    4
# 2     2      b type1 place1    5
# 8     8      b type3 place1    5
# 5     5      b type2 place3    5
# 3     3      c type1 place2    6
# 9     9      c type3 place2    6
# 6     6      c type2 place3    6

Answer 3

感谢您的建议。遵循this post 的一般建议，我最终选择了 ddply，以便将我的数据转换为更可用的格式。

这是一个简单的例子：

> A=data.frame(seq(1,9),rep(c("a","b","c"),3),c(rep("type1",3),rep("type2",3),rep("type3",3)),c(rep("place1",2),rep("place2",2),rep("place3",2),rep("place1",2),rep("place2",1)))
> names(A)=c("value","Letter","Type","Place")
> A
  value Letter  Type  Place
1     1      a type1 place1
2     2      b type1 place1
3     3      c type1 place2
4     4      a type2 place2
5     5      b type2 place3
6     6      c type2 place3
7     7      a type3 place1
8     8      b type3 place1
9     9      c type3 place2

然后这是我的代码，用于为每个 place1 和 type1 的值查找“值”的平均值：

> sub=ddply(A[which(A$Place=="place1" & A$Type=="type1"),],"value",summarize,mean=mean(value,na.rm=T))
> sub
  value mean
1     1    1
2     2    2

由于“sub”已经是一个数据框，因此很容易添加具有其他特征的列，然后绘制这些结果。

----------------------------------------------- ----------------------------------

如果您有兴趣，这里是我实际尝试子集的更复杂的数据集：

> head(alldata)
        value layer Kmultiplier Resolution      Season           Variable
1: 0.00000000     b           1        1km    Baseflow Evapotranspiration
2: 0.01308008     b         .01        1km    Baseflow Evapotranspiration
3: 0.00000000     b           1        1km   Peak Flow Evapotranspiration
4: 0.03974779     b         .01        1km   Peak Flow Evapotranspiration
5: 0.00000000     b           1        1km Summer Flow Evapotranspiration
6: 0.02396524     b         .01        1km Summer Flow Evapotranspiration

以及我编写的将其子集为可绘制片段的代码行：

  for(j in Season){
    for(i in res){
      ET=ddply(alldata[which(alldata$Variable=="Evapotranspiration" & alldata$Resolution==sprintf("%s",i) & alldata$Season==sprintf("%s",j)),],"Kmultiplier", summarize, mean = mean(value,na.rm=T))
      ET$Variable="Evapotranspiration";ET$Resolution=sprintf("%s",i);ET$Season=sprintf("%s",j)
      S=ddply(alldata[which(alldata$Variable=="Change in Storage" & alldata$Resolution==sprintf("%s",i) & alldata$Season==sprintf("%s",j)),],"Kmultiplier", summarize, mean = mean(value,na.rm=T))
      S$Variable="Change in Storage";S$Resolution=sprintf("%s",i);S$Season=sprintf("%s",j)
      Q=ddply(alldata[which(alldata$Variable=="Discharge" & alldata$Resolution==sprintf("%s",i) & alldata$Season==sprintf("%s",j)),],"Kmultiplier", summarize, mean = mean(value,na.rm=T))
      Q$Variable="Discharge";Q$Resolution=sprintf("%s",i);Q$Season=sprintf("%s",j)
      if(i=="1km"){resbind=rbind(Q,S,ET)}else{resbind2=rbind(resbind,Q,S,ET)}
    } 
    if(j=="Baseflow"){sbind=rbind(resbind2,Q,S,ET)}else if(j=="Peak Flow"){sbind2=rbind(resbind2,sbind,Q,S,ET)}else{ETSQ=rbind(resbind2,sbind2,Q,S,ET)}
  }
  ETSQ$Variable=factor(ETSQ$Variable,levels=c("Change in Storage","Evapotranspiration","Discharge"))
  print(ggplot(data=ETSQ,aes(x=Kmultiplier,y=mean, color=Variable,group=Variable))
        +geom_point()
        +geom_line()
        +labs(x="K scaled by",y="Percent change from Baseline case")
        +scale_y_continuous(labels=percent)
        +facet_grid(Season~Resolution)
        +theme_bw()
  )
  ggsave(sprintf("%s/Plots/SimpleLines/Variable_by_K.png",path),device = NULL,scale=1)

最后得到的情节：