如何在 R 中的 data.frame 中聚合数据

Question

我有一个很大的 data.frame。 data.frame 包含很多值。

例如：

df <- data.frame(Company = c('A', 'A', 'B', 'C', 'A', 'B', 'B', 'C', 'C'), 
                 Name = c("Wayne", "Duane", "William", "Rafael", "John", "Eric", "James", "Pablo", "Tammy"), 
                 Age = c(26, 27, 28, 32, 28, 24, 34, 30, 25), 
                 Wages = c(50000, 70000, 70000, 60000, 50000, 70000, 65000, 50000, 50000), 
                 Education.University = c(1, 1, 1, 0, 0, 1, 1, 0, 1), 
                 Productivity = c(100, 120, 120, 95, 88, 115, 100, 90, 120))

如何汇总我的data.frame？我想分析每家公司的价值观。它必须看起来像：

年龄 -> 公司所有员工的平均年龄

工资 -> 公司所有员工的平均工资

Education.University -> 公司所有员工的因素总和（1 或 0）

生产力 -> 公司所有员工的平均生产力

Answer 1

基础R

cbind(aggregate(.~Company, df[,-c(2, 5)], mean),
      aggregate(Education.University~Company, df, sum)[-1])
#  Company      Age    Wages Productivity Education.University
#1       A 27.00000 56666.67     102.6667                    2
#2       B 28.66667 68333.33     111.6667                    3
#3       C 29.00000 53333.33     101.6667                    1

这里是较长的版本，可能更容易理解

merge(x = aggregate(x = list(Age_av = df$Age,
                             Wages_av = df$Wages,
                             Productivity_av = df$Productivity),
                by = list(Company = df$Company),
                FUN = mean),
      y = aggregate(x = list(Education.University_sum = df$Education.University),
                by = list(Company = df$Company),
                FUN = sum),
      by = "Company")
#  Company   Age_av Wages_av Productivity_av Education.University_sum
#1       A 27.00000 56666.67        102.6667                        2
#2       B 28.66667 68333.33        111.6667                        3
#3       C 29.00000 53333.33        101.6667                        1

Answer 2

一个选项是使用data.table

library(data.table)
setDT(df)[, c(lapply(.SD[, c(2:3, 5), with = FALSE], mean), 
    .(Education.University = sum(Education.University))), by = Company]
#   Company      Age    Wages Productivity Education.University
#1:       A 27.00000 56666.67     102.6667                    2
#2:       B 28.66667 68333.33     111.6667                    3
#3:       C 29.00000 53333.33     101.6667                    1

---

或dplyr

library(dplyr)
df %>%
   group_by(Company) %>% 
   mutate(Education.University = sum(Education.University)) %>%
   summarise_if(is.numeric, mean)
# A tibble: 3 x 5
#  Company      Age    Wages Education.University Productivity
#   <fctr>    <dbl>    <dbl>                <dbl>        <dbl>
#1       A 27.00000 56666.67                    2     102.6667
#2       B 28.66667 68333.33                    3     111.6667
#3       C 29.00000 53333.33                    1     101.6667

Answer 3

您可以使用 dplyr 库轻松做到这一点。

library(dplyr)
df %>% group_by(Company) %>% summarise(Age = mean(Age), Wages = mean(Wages), Education.University = sum(Education.University), Productivity = mean(Productivity))

Answer 4

简洁的data.table 解决方案已经posted 使用列numbers 而不是列names。这被认为是不好的做法 Frequently Asked Questions about data.table, section 1.1:

如果您的同事稍后出现并阅读您的代码，他们可能不得不四处寻找哪一列是第 5 列。如果您或他们在您的 R 程序中更改了更高的列顺序，您可能会产生错误的结果，而没有如果您忘记更改代码中引用第 5 列的所有位置，则会出现警告或错误。

所以，我想提出使用列名的替代方法。

变体 1

library(data.table)
setDT(df)[, .(average.Age = mean(Age), 
              average.Wages = mean(Wages), 
              sum.Education.University = sum(Education.University),
              average.Productivity = mean(Productivity)), 
          by = Company]

   Company average.Age average.Wages sum.Education.University average.Productivity
1:       A    27.00000      56666.67                        2             102.6667
2:       B    28.66667      68333.33                        3             111.6667
3:       C    29.00000      53333.33                        1             101.6667

在这里，每一列都是单独聚合的。虽然它需要更多的打字，但它有几个好处：

1. 很容易理解代码 sn-p 的用途。
2. 可以根据需要修改结果中的列名。
3. 如果需要，可以控制结果中列的顺序。

变体 2

如果有许多列需要相同的操作，data.table 常见问题解答recommends 使用.SDcols。所以，我们可以做

m_cols <- c("Age", "Wages", "Productivity")
s_cols <- c("Education.University")
by_cols <- c("Company") 
setDT(df)[, c(.SD[, lapply(.SD, mean), .SDcols = m_cols],
              .SD[, lapply(.SD, sum ), .SDcols = s_cols]),
          by = by_cols]

   Company      Age    Wages Productivity Education.University
1:       A 27.00000 56666.67     102.6667                    2
2:       B 28.66667 68333.33     111.6667                    3
3:       C 29.00000 53333.33     101.6667                    1

这类似于 Akrun's answer，但使用列 names 而不是列 numbers。此外，列名存储在一个便于编程的变量中。

请注意，by_cols 可能包含用于聚合的其他列，例如，

by_cols <- c("Company", "Name")

如果列顺序很重要，我们可以使用setcolorder()：

result <- setDT(df)[, c(.SD[, lapply(.SD, mean), .SDcols = m_cols],
                        .SD[, lapply(.SD, sum ), .SDcols = s_cols]),
                    by = by_cols]
setcolorder(result, intersect(names(df), names(result)))
result

   Company      Age    Wages Education.University Productivity
1:       A 27.00000 56666.67                    2     102.6667
2:       B 28.66667 68333.33                    3     111.6667
3:       C 29.00000 53333.33                    1     101.6667

同样，可以修改结果的列名以满足OP的要求：

setnames(result, m_cols, paste0("average.", m_cols))
setnames(result, s_cols, paste0("sum.", s_cols))
result

   Company average.Age average.Wages sum.Education.University average.Productivity
1:       A    27.00000      56666.67                        2             102.6667
2:       B    28.66667      68333.33                        3             111.6667
3:       C    29.00000      53333.33                        1             101.6667

请注意，data.table 函数 setcolorder() 和 setnames() 工作就地，即不复制 data.table 对象。这可以节省内存和时间，这在处理大型表时尤为重要。

Answer 5

只需使用“聚合”功能

aggregate(x = df[c("Age","Wages","Education.University","Productivity")], by = df[c("Company")], FUN = mean)

#  Company      Age    Wages Education.University Productivity
#1       A 27.00000 56666.67            0.6666667     102.6667
#2       B 28.66667 68333.33            1.0000000     111.6667
#3       C 29.00000 53333.33            0.3333333     101.6667