通过两个变量汇总多列

Question

这是我第一次使用 R，如果这个问题措辞不当，请原谅我。我有一个导入到 R 中的 .csv 文件，我正在尝试总结一些数据。每一行数据，如果对于给定的年份、研究地点和区域，并且每一列都有存在的物种数量。每个物种有 4 列，因为有 4 次调查可以看到该物种。

我正在尝试按年份和研究地点获取每个物种的总和。列 5:8 是一个物种，9:12 是另一个，13:16 是另一个，依此类推。这是我认为可以按年份 (YYYY) 和研究区域 (SAR) 总结 5:8 列的代码：

aggregate(test[,5:8],by = list("SAR","YYYY"), FUN = sum, na.rm = TRUE)

这给了我“参数必须具有相同长度”的错误消息。谁能帮我完成这个初始步骤？

以下是部分数据：

SAR    YYYY GRID_ID WID     col1 col2 col3 col4
BCPALP  2005    1   1189    NA  NA  0   0
BCPALP  2005    1   1190    0   NA  0   0
BCPALP  2005    1   1191    0   0   NA  NA
BCPALP  2005    1   1192    0   NA  NA  NA
BCPALP  2005    1   1194    NA  NA  1   NA
BCPALP  2005    1   1195    NA  NA  1   NA
BCPALP  2005    1   1196    0   NA  0   NA
BCPALP  2005    1   1198    0   NA  0   NA
BCPALP  2005    1   1199    0   NA  0   0

我希望得到这样的输出：

SAR    YYYY    total of columns 1:4
BCPALP 2005    2

这是我刚刚尝试的代码。

aggregate(cbind("col1", "col2", "col3", "col4")~SAR+YYYY, test, FUN=sum, na.rm=TRUE, na.action=NULL)

它给了我一条错误消息，指出“可变长度不同（为 'SAR' 找到）”。

我回去查了一下数据，所有的变长都是一样的。

Answer 1

我们可以使用aggregate 或data.table 或dplyr。如果我们使用aggregate的公式方法，当不同列中有NA值时，我们需要设置na.action=NULL。默认情况下，na.action=na.omit，因此如果其中一列中有单个 NA，则将从计算中删除该行。

aggregate(cbind(col1, col2, col3, col4)~SAR+YYYY, test,
                        FUN=sum, na.rm=TRUE, na.action=NULL)
#   SAR YYYY col1 col2 col3 col4
#1 BCPALP 2005    0    0    2    0

---

使用dplyr，我们按“SAR”、“YYYY”分组，并使用summarise_each获取每个“col”的sum。

library(dplyr)
test %>%
     group_by(SAR, YYYY) %>%
     summarise_each(funs(sum=sum(., na.rm=TRUE)), 5:ncol(test))
#     SAR  YYYY  col1  col2  col3  col4
#   (chr) (int) (int) (int) (int) (int)
#1 BCPALP  2005     0     0     2     0

---

或者data.table。我们将“data.frame”转换为“data.table”（setDT(test)），按“SAR”、“YYYY”分组，循环遍历 Data.table 的子集（.SD）并得到sum .要循环的列在.SDcols 中指定。

library(data.table)
setDT(test)[, lapply(.SD, sum, na.rm=TRUE), by = .(SAR, YYYY),
             .SDcols= 5:ncol(test)]  
#      SAR YYYY col1 col2 col3 col4
#1: BCPALP 2005    0    0    2    0

更新

假设在聚合之后，我们需要获取列 'col1:col4'、'col5:col8' 等的逐行总和。

 DT <- setDT(test1)[, lapply(.SD, sum, na.rm=TRUE),
              by = .(SAR, YYYY), .SDcols= 5:ncol(test1)]
 DT1 <- melt(DT, id.var=c('SAR', 'YYYY'))[, i1 := as.numeric(gl(.N, 4, .N)),
            .(SAR, YYYY)]
 dcast(DT1, SAR+YYYY~i1, value.var='value', sum)

数据

 test <- structure(list(SAR = c("BCPALP", "BCPALP",
"BCPALP", "BCPALP", 
"BCPALP", "BCPALP", "BCPALP", "BCPALP", "BCPALP"), YYYY = c(2005L, 
2005L, 2005L, 2005L, 2005L, 2005L, 2005L, 2005L, 2005L),
GRID_ID = c(1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), WID = c(1189L, 1190L, 1191L, 
1192L, 1194L, 1195L, 1196L, 1198L, 1199L), col1 = c(NA, 0L, 0L, 
0L, NA, NA, 0L, 0L, 0L), col2 = c(NA, NA, 0L, NA, NA, NA, NA, 
NA, NA), col3 = c(0L, 0L, NA, NA, 1L, 1L, 0L, 0L, 0L), col4 = c(0L, 
0L, NA, NA, NA, NA, NA, NA, 0L)), .Names = c("SAR", "YYYY",
"GRID_ID", 
"WID", "col1", "col2", "col3", "col4"), class = "data.frame", 
 row.names = c(NA, -9L))

set.seed(24)
m1 <- matrix(sample(c(NA,0:5), 9*4, replace=TRUE),ncol=4, 
           dimnames=list(NULL, paste0('col', 5:8)))
test1 <- cbind(test, m1)