在 R 中使用聚合函数时波浪号和“by”之间的区别答案

【问题标题】：Difference between tilde and "by" while using aggregate function in R在 R 中使用聚合函数时波浪号和“by”之间的区别
【发布时间】：2013-11-07 13:21:47
【问题描述】：

每次我对 data.frame 进行聚合时，我默认使用 "by = list(...)" 参数。但我确实看到了关于 stackoverflow 和其他地方的解决方案，其中波浪号 (~) 在“公式”参数中使用。我有点将“by”参数视为围绕这些变量的“pivot”。

在某些情况下，输出完全相同。例如：

aggregate(cbind(df$A, df$B, df$C), FUN = sum, by = list("x" = df$D, "y" = df$E))

AND

aggregate(cbind(df$A, df$B, df$C) ~ df$E, FUN = sum)

这两者有什么区别，什么时候用哪个？

【问题讨论】：

标签： r dataframe aggregate

【解决方案1】：

我不会完全不同意您使用哪种方法并不重要，但是，重要的是要注意它们的行为确实不同。

我会用一个小例子来说明。

以下是一些示例数据：

set.seed(1)
mydf <- data.frame(A = c(1, 1, 1, 2, 2, 3, 3, 3, 3, 4, 4, 4),
                   B = LETTERS[c(1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2)],
                   matrix(sample(100, 36, replace = TRUE), nrow = 12))
mydf[3:5] <- lapply(mydf[3:5], function(x) {
  x[sample(nrow(mydf), 1)] <- NA
  x
})
mydf
#    A B X1  X2 X3
# 1  1 A 27  69 27
# 2  1 A 38  NA 39
# 3  1 A 58  77  2
# 4  2 A 91  50 39
# 5  2 A 21  72 87
# 6  3 B 90 100 35
# 7  3 B 95  39 49
# 8  3 B 67  78 60
# 9  3 B 63  94 NA
# 10 4 B NA  22 19
# 11 4 B 21  66 83
# 12 4 B 18  13 67

首先，公式界面。以下三个命令都将产生相同的输出。

aggregate(cbind(X1, X2, X3) ~ A + B, mydf, sum)
aggregate(cbind(X1, X2, X3) ~ ., mydf, sum)
aggregate(. ~ A + B, mydf, sum)
#   A B  X1  X2  X3
# 1 1 A  85 146  29
# 2 2 A 112 122 126
# 3 3 B 252 217 144
# 4 4 B  39  79 150

这是“by”接口的相关命令。打字很麻烦（但如果需要，可以使用with 来解决）。

aggregate(cbind(mydf$X1, mydf$X2, mydf$X3), 
          by = list(mydf$A, mydf$B), sum)
  Group.1 Group.2  V1  V2  V3
1       1       A 123  NA  68
2       2       A 112 122 126
3       3       B 315 311  NA
4       4       B  NA 101 169

现在，停下来，记下任何不同之处。

我想到的两个是：

公式方法在保留names 方面做得更好但它不允许您直接在命令中控制名称，而可以在data.frame方法：

aggregate(cbind(NewX1 = mydf$X1, NewX2 = mydf$X2, NewX3 = mydf$X3), 
          by = list(NewA = mydf$A, NewB = mydf$B), sum)

公式方法和data.frame 方法对NA 值的处理方式不同。要使用公式方法获得与使用data.frame 方法相同的结果，您需要使用na.action = na.pass。
```
aggregate(. ~ A + B, mydf, sum, na.action=na.pass)
```

再说一次，说“我认为这并不重要”并不是完全错误的，而且我不会在这里陈述我的偏好，因为这并不是 Stack Overflow 的真正意义所在，但重要的是始终在做出此类决定之前，请仔细阅读函数文档。

【讨论】：

关于处理 NA 的区别的要点。遗憾的是，R 函数的执行方式并不是特别一致。
我知道这是一个旧答案，但我要补充一点，“by”界面可以通过执行aggregate(mydf[c("X1","X2","X3")], mydf[c("A","B")], sum) 之类的操作来大大简化，因为data.frames 是lists。您也可以在公式界面中重命名aggregate(cbind(NewX1=X1,NewX2=X2,NewX3=X3) ~ cbind(NewA=A) + cbind(NewB=B), data=mydf, sum)不用担心。

【解决方案2】：

从帮助页面，

aggregate.formula is a standard formula interface to aggregate.data.frame

所以我认为这并不重要。使用您喜欢的任何方法，或者适合您工作区中现有变量和公式的方法。

【讨论】：