重塑数据 R 中的长数据还是聚合？

Question

我有一个长格式的数据集，但我似乎无法将其用于分析。也许这个形状是合适的——我的经验几乎完全是宽格式数据，所以这个数据文件对我来说没有意义。 （可复制的数据文件在帖子末尾。）

> head(df,10)
    ID attributes values
1   1         AU    AAA
2   1         AU    BBB
3   1         YR   2014
4   2         AU    CCC
5   2         AU    DDD
6   2         AU    EEE
7   2         AU    FFF
8   2         AU    GGG
9   2         YR   2013
10  3         AU    HHH

属性列包含我感兴趣的变量，我想执行一系列聚合函数。例如，我想：

1.获取每个 ID 的作者数 (AU)。例如：

   ID       N.AU
    1           2
    2           5
    3           1
    4           2
    5           5
    6           1

1. 按年份 (YR) 计算作者的中位数 (AU)

   YR           Median.N.AU   
   2013          5.0
   2014          1.5
   

对于这两个示例，我已经尝试使用 group_by 和 summaries 进行 dplry，但还没有破解代码。我也试过dcast。我希望提出一个解决方案，我可以轻松地将其推广到更大的数据框，该数据框具有更多的属性，可以采用单个值或多个值。任何帮助或指向类似解决方案的指针将不胜感激。

attributes = c("AU", "AU", "YR", "AU", "AU", "AU", "AU", "AU", "YR", "AU", "YR",
   "AU", "AU", "YR", "AU", "AU", "AU", "AU", "AU", "YR", "AU", "YR")
ID = c(1, 1, 1, 2, 2, 2, 2, 2, 2, 3, 3, 4, 4, 4, 5, 5, 5, 5, 5, 5, 6, 6)
values = c("AAA", "BBB", "2014", "CCC", "DDD", "EEE", "FFF", "GGG", "2013", "HHH", "2014",
   "III", "JJJ", "2014", "KKK", "LLL", "MMM", "NNN", "OOO", "2013", "PPP", "2014")
df <- data.frame(ID, attributes, values)

Answer 1

我认为您会感到困惑，因为您实际上有两张表 由通用 ID 链接的数据：

library(dplyr)
df <- tbl_df(df)

years <- df %>% 
  filter(attributes == "YR") %>% 
  select(id = ID, year = values)
years
#> Source: local data frame [6 x 2]
#> 
#>    id year
#> 1   1 2014
#> 2   2 2013
#> 3   3 2014
#> 4   4 2014
#> 5   5 2013
#> .. ..  ...

authors <- df %>% 
  filter(attributes == "AU") %>% 
  select(id = ID, author = values)
authors
#> Source: local data frame [16 x 2]
#> 
#>    id author
#> 1   1    AAA
#> 2   1    BBB
#> 3   2    CCC
#> 4   2    DDD
#> 5   2    EEE
#> .. ..    ...

获得此表格中的数据后，回答问题就很容易了 你有兴趣：

1. 每篇论文的作者：

   n_authors <- authors %>% 
     group_by(id) %>% 
     summarise(n = n())
   

   或者

   n_authors <- authors %>% count(id)
   

2. 每年作者的中位数：

   n_authors %>%
     left_join(years) %>%
     group_by(year) %>%
     summarise(median(n))
   #> Joining by: "id"
   #> Source: local data frame [2 x 2]
   #> 
   #>   year median(n)
   #> 1 2013       5.0
   #> 2 2014       1.5
   

Answer 2

这是一个可能的data.table 解决方案

我还建议创建一些带有分隔列的聚合数据集。例如：

library(data.table)
(subdf <- as.data.table(df)[, .(N.AU = sum(attributes == "AU"),
                                Year = values[attributes == "YR"]) , ID])
#    ID N.AU Year
# 1:  1    2 2014
# 2:  2    5 2013
# 3:  3    1 2014
# 4:  4    2 2014
# 5:  5    5 2013
# 6:  6    1 2014

每年计算中位数

subdf[, .(Median.N.AU = median(N.AU)), keyby = Year]
#    Year Median.N.AU
# 1: 2013         5.0
# 2: 2014         1.5

Answer 3

我最初误解了您的数据集的结构。感谢下面的 cmets，我意识到您的数据需要重组。

# split the data out
df1 <- df[df$attributes == "AU",]
df2 <- df[df$attributes == "YR",]

# just keeping the columns with data as opposed to the label
df3 <- merge(df1, df2, by="ID")[,c(1,3,5)]
# set column names for clarification
colnames(df3) <- c("ID","author","year")

# get author counts
num.authors <- count(df3, vars=c("ID","year"))
  ID year freq
1  1 2014    2
2  2 2013    5
3  3 2014    1
4  4 2014    2
5  5 2013    5
6  6 2014    1

summaryBy(freq ~ year, data = num.authors, FUN = list(median))
  year freq.median
1 2013         5.0
2 2014         1.5

summaryBy 的好处在于您可以添加列表中已定义的函数，您将获得包含其他指标（例如均值、标准差等）的另一列