对整个数据集进行分组并聚合

Question

我有一个包含 20 个变量 V1,V2,V3......V20 的数据集，共有 1,200 行。

我想平均我的数据框中每四行，即我的输出数据集应该有 20 列 包含V1,V2,V3…V20 和 300 行，其中包含 4 组数据的平均值。

我不能使用tapply，因为我必须一次输入1个变量；我想一次平均所有 20 个变量。

有没有一种有效的方法来做到这一点？我想使用 apply 系列的功能，并且会 喜欢避免循环。

Answer 1

将lapply 与colMeans 一起使用

 set.seed(42)
 dat <- as.data.frame(matrix(sample(1:20, 20*1200, replace=TRUE), ncol=20))
 n <- seq_len(nrow(dat))

 res <- do.call(rbind,lapply(split(dat, (n-1)%/%4 +1),colMeans, na.rm=TRUE))
 dim(res)
 #[1] 300  20

说明

这里的想法是创建一个分组变量，将数据集拆分为列表中的数据集子集，条件是 1:4 行进入第一个子集，5:8 进入第二个子集，并且...，最后一个子集将有297:300。为了便于理解，使用行的子集。假设您的数据集有 10 行：

  n1 <- seq_len(10)
  n1
  #[1]  1  2  3  4  5  6  7  8  9 10

  (n1-1) %/%4 #created a numeric index to split by group
  # [1] 0 0 0 0 1 1 1 1 2 2

我在上面添加了1，从1开始，而不是0

  (n1-1) %/%4 +1
  #[1] 1 1 1 1 2 2 2 2 3 3

您也可以使用gl 即。

 gl(10, 4, 10)

对于数据集，应该是

 gl(1200, 4, 1200)

现在，您可以通过新创建的分组索引或数据集splitn1

  split(n1,(n1-1) %/%4 +1) # you can check the result of this

对于dataset的10行子集

  split(dat[1:10,], (n1-1) %/%4 +1)

然后使用lapply 和colMeans 获取每个列表元素的列均值并使用do.call(rbind,..) rbind

或者

summarise_each 来自dplyr

 library(dplyr)
  res2 <- dat %>% 
             mutate(N= (row_number()-1)%/%4+1) %>%
             group_by(N) %>%
             summarise_each(funs(mean=mean(., na.rm=TRUE))) %>% 
             select(-N) 

   dim(res2)
  #[1] 300  20

  all.equal(as.data.frame(res), as.data.frame(res2), check.attributes=FALSE)
  #[1] TRUE

或者

使用data.table

 library(data.table)
  DT1 <- setDT(dat)[, N:=(seq_len(.N)-1)%/%4 +1][,
            lapply(.SD, mean, na.rm=TRUE), by=N][,N:=NULL]
 dim(DT1)
#[1] 300  20