生成一个新变量，平均 R 中一组列的行答案

【问题标题】：generate a new variable that averages the rows of a group of columns in R生成一个新变量，平均 R 中一组列的行
【发布时间】：2012-08-07 00:49:55
【问题描述】：

我是 R 新手。我正在使用一个比较面板数据集，其中一个关键变量是时间的横截面，因此我必须对该时间段内的所有变量进行平均。

数据格式如下：行是国家观察，列是变量年。

我已经构建了这个例子：

cname<- c("ARGENTINA", "BOLIVIA", "CHILE", "CHINA", "ECUADOR", "EGYPT")
gdp2003<- c(1.5, 2.3, 5.2, 12, 2.3, 3.3)
gdp2004<- c(1.7, 2.2, 4.7, 13.3, 1.7, 1.5)
corrupt2003<- c(5.1, 6.7, 3.4, 5.5, 4.5, 8.7)
corrupt2004<- c(4.5, 5.4, 2.4, 4.5, 5.4, 8.9)
df<- data.frame(cbind(cname, gdp2003, gdp2004, corrupt2003, corrupt2004))
df

生成此输出：

     cname gdp2003 gdp2004 corrupt2003 corrupt2004
1 ARGENTINA     1.5     1.7         5.1         4.5
2   BOLIVIA     2.3     2.2         6.7         5.4
3     CHILE     5.2     4.7         3.4         2.4
4     CHINA      12    13.3         5.5         4.5
5   ECUADOR     2.3     1.7         4.5         5.4
6     EGYPT     3.3     1.5         8.7         8.9

我想创建一个函数，可以按国家 obs 对列变量进行平均，如下所示：

       cname gdp2003 gdp2004 corrupt2003 corrupt2004 new.col.gdp new.col.corrupt
1 ARGENTINA     1.5     1.7         5.1         4.5         1.6             4.8
2   BOLIVIA     2.3     2.2         6.7         5.4        2.25            6.05
3     CHILE     5.2     4.7         3.4         2.4        4.95             2.9
4     CHINA      12    13.3         5.5         4.5       12.65               5
5   ECUADOR     2.3     1.7         4.5         5.4           2            4.95
6     EGYPT     3.3     1.5         8.7         8.9         2.4             8.8

任何帮助将不胜感激。

【问题讨论】：

?rowMeans。那是你要找的吗？此外，您的代码在大多数行的末尾都有额外的括号。
请确保您的数值数据没有先保存为因子，否则在尝试应用答案时会出现错误并且没有结果！您的最后一个 data.frame 创建行可能应该是 df<- data.frame(cname, gdp2003, gdp2004, corrupt2003, corrupt2004) 才能正常工作。

标签： arrays r

【解决方案1】：

首先您需要更改创建数据框的命令。通过使用 cbind() 您将所有数字列转换为文本（以匹配作为文本的 cname 列。然后当您制作 data.frame 时，R 将这些文本列转换为因子。还将您的 data.frame 名称更改为 DF 到避免与函数 df() 发生任何冲突：

DF<- data.frame(cname, gdp2003, gdp2004, corrupt2003, corrupt2004)
vars <-c("gdp","corrupt")
new.cols <- sapply(vars, function(i) rowMeans(DF[, grepl(i, colnames(DF))]))
colnames(new.cols) <- paste0(colnames(new.cols), ".mean")
DF <- data.frame(DF, new.cols)
DF

【讨论】：

我知道 dataframe 命令已将它们更改为因子，但不是
。 . .确定如何将它们改回数字。无论如何，这成功了。谢谢！

【解决方案2】：

虽然目前提供的解决方案肯定会奏效，但我建议以不同的方式构建您的数据。您在这里组合数据和字段名称：与其拥有一个名为“gdp2003”的字段，您实际上应该只拥有一个名为“gdp”的字段并拥有另一个名为“year”的字段，然后记录 gdp 的年份是 2003 年。有关此方法的更多信息，我强烈建议您阅读 Hadley Wickham 的论文 Tidy Data。

您可以通过以下方式修改以这种方式设置数据的方法：

df <- data.frame(country=cname, year=2003, gdp=gdp2003,
                 corrupt=corrupt2003)
df <- rbind(df, data.frame(country=cname, year=2004,
                 gdp=gdp2004, corrupt=corrupt2004))

您的数据框现在应该如下所示：

     country year  gdp corrupt
1  ARGENTINA 2003  1.5     5.1
2    BOLIVIA 2003  2.3     6.7
3      CHILE 2003  5.2     3.4
4      CHINA 2003 12.0     5.5
5    ECUADOR 2003  2.3     4.5
6      EGYPT 2003  3.3     8.7
7  ARGENTINA 2004  1.7     4.5
8    BOLIVIA 2004  2.2     5.4
9      CHILE 2004  4.7     2.4
10     CHINA 2004 13.3     4.5
11   ECUADOR 2004  1.7     5.4
12     EGYPT 2004  1.5     8.9

在此表单中，您会发现以后添加数据要容易得多，并且仍然使用您的代码来计算平均值。一种方法是使用by:

by(df[,-(1:2)], df$country, colMeans)

这将为您提供平均值列表：

df$country: ARGENTINA
    gdp corrupt 
    1.6     4.8 
------------------------------------------------------------ 
df$country: BOLIVIA
    gdp corrupt 
   2.25    6.05 

[etc]

你可以像这样把它变成一个更好的表格：

t(simplify2array(by(df[,-(1:2)], df$country, colMeans)))

            gdp corrupt
ARGENTINA  1.60    4.80
BOLIVIA    2.25    6.05
CHILE      4.95    2.90
CHINA     12.65    5.00
ECUADOR    2.00    4.95
EGYPT      2.40    8.80

要在处理整洁数据时获得更大的灵活性，请查看plyr 包。

ddply(df, .(country), summarise, gdp=mean(gdp), corrupt=mean(corrupt))

如果您想要均值和原始结果（例如，如果您想要计算与每年均值的差异）：

ddply(df, .(country), transform, gdp.m=mean(gdp), corrupt.m=mean(corrupt))

      country year  gdp corrupt gdp.m corrupt.m
1  ARGENTINA 2003  1.5     5.1  1.60      4.80
2  ARGENTINA 2004  1.7     4.5  1.60      4.80
3    BOLIVIA 2003  2.3     6.7  2.25      6.05
4    BOLIVIA 2004  2.2     5.4  2.25      6.05
5      CHILE 2003  5.2     3.4  4.95      2.90
6      CHILE 2004  4.7     2.4  4.95      2.90
7      CHINA 2003 12.0     5.5 12.65      5.00
8      CHINA 2004 13.3     4.5 12.65      5.00
9    ECUADOR 2003  2.3     4.5  2.00      4.95
10   ECUADOR 2004  1.7     5.4  2.00      4.95
11     EGYPT 2003  3.3     8.7  2.40      8.80
12     EGYPT 2004  1.5     8.9  2.40      8.80

【讨论】：

【解决方案3】：

您可以在选定的列上使用rowMeans

df$new.col.gdp <- rowMeans(df[,2:3])
df$new.col.corrupt <- rowMeans(df[,3:4])

现在，假设您并不真正知道您想要的所有列的编号，但您碰巧知道它们都包含名称中常见的内容。假设它是'gdp'。你可以使用类似的东西。

selectColumns <- grep('gdp', names(df))
df$new.col.gdp <- rowMeans(df[,selectColumns])

【讨论】：

rowMeans - M 不是 m - 仅此而已。 :-)