【发布时间】：2015-10-09 17:22:34
【问题描述】：
我无法弄清楚如何使用 dplyr 计算长格式数据的简单平均值。
我的数据如下所示：
hldid idno sex diary age
1 1294 1294_1 2 1 39
2 1294 1294_1 2 2 39
3 1294 1294_2 1 1 43
4 1294 1294_2 1 2 43
...
有 4 个变量：hldid idno sex diary age
idno 是个人标识符，但不是唯一键。
每个人重复 2 次，每个diary 填充一个。
我想要简单地计算age 的平均值为sex。
你能帮帮我吗？
我试过类似的东西：
dta %>%
group_by(sex) %>%
mutate( ng = n_distinct(idno)) %>%
group_by(age, add=TRUE) %>%
summarise(mean = n()/ng[1] )
但它不起作用。
数据：
dta = structure(list(hldid = c(1294, 1294, 1294, 1294, 1352, 1352,
1352, 1352, 3741, 3741, 3741, 3741, 3809, 3809, 3809, 3809, 4037,
4037, 4037, 4037), idno = c("1294_1", "1294_1", "1294_2", "1294_2",
"1352_1", "1352_1", "1352_2", "1352_2", "3741_1", "3741_1", "3741_2",
"3741_2", "3809_1", "3809_1", "3809_2", "3809_2", "4037_1", "4037_1",
"4037_2", "4037_2"), sex = c(2L, 2L, 1L, 1L, 2L, 2L, 1L, 1L,
2L, 2L, 1L, 1L, 2L, 2L, 1L, 1L, 1L, 1L, 2L, 2L), diary = c(1L,
2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L,
2L, 1L, 2L), age = c(39L, 39L, 43L, 43L, 31L, 31L, 37L, 37L,
33L, 33L, 37L, 37L, 34L, 34L, 37L, 37L, 41L, 41L, 32L, 32L)), .Names = c("hldid",
"idno", "sex", "diary", "age"), class = c("grouped_df", "tbl_df",
"tbl", "data.frame"), row.names = c(NA, -20L), vars = list(hldid), drop = TRUE, indices = list(
0:3, 4:7, 8:11, 12:15, 16:19), group_sizes = c(4L, 4L, 4L,
4L, 4L), biggest_group_size = 4L, labels = structure(list(hldid = c(1294,
1352, 3741, 3809, 4037)), class = "data.frame", row.names = c(NA,
-5L), .Names = "hldid", vars = list(hldid)))
快速更新
也许这不适用于这个例子， 但我想到的这类问题如下：
想象一下我们有这样的数据：
3 名女性和 2 名男性，以及一个虚拟变量 act。
如果我们这样做而不考虑计算mean 的长格式，我们就会遇到问题。
aggregate(act ~ sex, FUN = mean, data = dtaTime)
我们应该做的是：
aggregate(act ~ sex, FUN = sum, data = dtaTime)
6 / 2 # men
10 / 3 # women
数据
dtaTime = structure(list(id = c(1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L,
3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 5L, 5L, 5L, 5L, 5L),
sex = c(1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L,
1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L), act = c(1L,
1L, 0L, 1L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 0L, 1L, 1L, 1L, 0L,
1L, 1L, 1L, 1L, 1L, 1L, 0L, 0L, 1L)), .Names = c("id", "sex",
"act"), class = "data.frame", row.names = c(NA, -25L))
【问题讨论】：
-
最后的数据无法读入，因为里面有
vars = list(hldid)的东西，而我们没有hldid -
你把它弄得太复杂了，
dta %>% group_by(sex) %>% summarise(meanage = mean(age))应该给你按性别划分的平均年龄。 -
我知道这样做会产生正确的结果，但我想知道，因为我们没有指定
n_distinct标识符是否会导致问题。因为当你计算长格式数据的平均值时，它通常会这样做。 -
@Jaap 这看起来是个不错的答案。如果他们面对的人 (
idnos) 具有不同数量的diary条目（希望age对每个idno保持不变），您可以在前面放置一个distinct(idno)。 -
如果每个 id 在数据中重复完全两次，则不需要
distinct。另一种选择是使用两个摘要（但如果您的描述准确，则不需要），例如dta %>% group_by(sex, idno) %>% summarise(age = mean(age, na.rm=TRUE)) %>% summarise(mean_age = mean(age))（在第一次汇总之后，您丢失了第二个分组变量“idno”）