对多个虚拟变量执行操作答案

【问题标题】：Perform operations on multiple dummy variables对多个虚拟变量执行操作
【发布时间】：2015-02-19 16:02:17
【问题描述】：

给定一个数据框，

ID <- c("a","b","b","c","c","c","d","d","d")
dummy1 <- c(1,0,1,1,0,0,1,1,0)
dummy2 <- c(0,0,0,0,1,1,1,1,1)
dummy3 <- c(1,0,0,1,1,0,0,1,1)
df <- data.frame(ID,dummy1,dummy2,dummy3)

  ID dummy1 dummy2 dummy3
1  a      1      0      1
2  b      0      0      0
3  b      1      0      0
4  c      1      0      1
5  c      0      1      1
6  c      0      1      0
7  d      1      1      0
8  d      1      1      1
9  d      0      1      1

我想计算一组多个虚拟变量中每个变量的平均值。

这就像在多行上使用tapply、aggregate 或ave(x,y,mean) 函数，同时创建一个新变量/列。不幸的是，我事先不知道虚拟变量的数量。我唯一知道的是虚拟变量从第 2 列开始。我的结果如下所示：

ID     m_dummy1  m_dummy2  m_dummy3   m_dummy5...
a      1         0         1
b      0         0         0
c      0.33      0.66      0.66
d      0.66      1         0.66

或者像这样：

ID     m_dummy1  m_dummy2  m_dummy3   m_dummy5...
a ...  1         0         1
b ...  0         0         0
b ...  0         0         0    
c ...  0.33      0.66      0.66
c ...  0.33      0.66      0.66
c ...  0.33      0.66      0.66
d ...  0.66      1         0.66    
d ...  0.66      1         0.66
d ...  0.66      1         0.66

在我的场景中，我有从 1 到 x 的未知数量的假人，所以我可能只有 dummy2，但也许我有“dummy1”和虚构的假人“dummy5”和“dummy6”。完美的解决方案将允许我为第 2 列之后的所有列创建“m_dummy”列。因此，如果 dummy3 丢失或有额外的 dummy4 dummy4 <- c(1,0,0,0,0,0,0,1,0)

，它也可以工作

【问题讨论】：

标签： r dummy-data

【解决方案1】：

这里有几个data.table 方法可以让您轻松地选择任何一种方法：

library(data.table)

as.data.table(df)[, lapply(.SD, mean), by = ID]
#    ID    dummy1    dummy2    dummy3
# 1:  a 1.0000000 0.0000000 1.0000000
# 2:  b 0.5000000 0.0000000 0.0000000
# 3:  c 0.3333333 0.6666667 0.6666667
# 4:  d 0.6666667 1.0000000 0.6666667

as.data.table(df)[, names(df)[-1] := lapply(.SD, mean), by = ID][]
#    ID    dummy1    dummy2    dummy3
# 1:  a 1.0000000 0.0000000 1.0000000
# 2:  b 0.5000000 0.0000000 0.0000000
# 3:  b 0.5000000 0.0000000 0.0000000
# 4:  c 0.3333333 0.6666667 0.6666667
# 5:  c 0.3333333 0.6666667 0.6666667
# 6:  c 0.3333333 0.6666667 0.6666667
# 7:  d 0.6666667 1.0000000 0.6666667
# 8:  d 0.6666667 1.0000000 0.6666667
# 9:  d 0.6666667 1.0000000 0.6666667

上面的基本 R 等效项是：

aggregate(. ~ ID, df, mean)

和

df[-1] <- lapply(df[-1], function(x) ave(x, df[[1]], FUN = mean))

【讨论】：

感谢您向我展示了获得我发布的所需结果的方法

【解决方案2】：

您可以从dplyr 尝试summarise_each 或mutate_each

library(dplyr)
df %>% 
    group_by(ID) %>% 
    summarise_each(funs(mean), starts_with('dummy'))

【讨论】：

多么快速而有帮助的答案，非常感谢！有没有办法用这个解决方案指定第一列（第二列），而不是starts_with('dummy')？
@MarkusRehm 是的，有几个选项。请查看?select
我看到了特殊功能，但没有一个是指列号。我也尝试过starts_with(df[[2]])) 之类的东西，但它们都不起作用。我可以用one_of() 以某种方式解决这个问题，但这并不理想。我以前没有使用?select 的经验，所以非常感谢您的提示。
@MarkusRehm 假设您想要第 2 列和第 3 列，df %>% group_by(ID) %>% summarise_each(funs(mean), 2:3)
@MarkusRehm 试试df %>% group_by(ID) %>% summarise_each(funs(mean), 2:ncol(df))