【问题标题】:Using dplyr or apply to apply calculation on multiple observations of multiple variables使用 dplyr 或 apply 对多个变量的多个观测值应用计算
【发布时间】:2017-02-11 16:39:45
【问题描述】:

我有一个包含 200 多个变量的数据框(下面是一个示例):

  | x | P      | Var1_mean | Var2_mean | Var3_mean | Var1_sd | Var2_sd | Var3_sd
------------------------------------------------------------------------------
1 | A | P1     | 100       | 50.47     | 298.2     | 2.33    | 0.04    | 8.77
2 | A | P2     | 98        | 18        | 350.33    | 2.32    | 0.04    | 10.3
3 | B | P1     | 100       | 30.93     | 152.73    | 2.33    | 0.04    | 4.49
4 | B | P2     | 100       | 25.33     | 237.67    | 2.33    | 0.04    | 6.99
5 | C | P1     | 99.9      | 25.07     | 184.93    | 2.32    | 0.04    | 5.44
6 | C | P2     | 100       | 18.33     | 132.33    | 2.32    | 0.04    | 3.89

每个变量都有参考周期 P1 和测量周期 P2 的 N 个观测值(A、B、C 等)。

我希望为每个观察结果计算每个变量的两个周期之间的差异,并将其除以参考周期的标准差。

使用上面的例子:

df <- data.frame(x=c("A","A","B","B","C","C"),
                 P=c("P1","P2","P1","P2","P1","P2"),        
             Var1_mean=c(100.0,98,100.0,100.0,99.9,100.0),
             Var2_mean = c(50.47,18,30.93,25.33,25.07,18.33),
             Var3_mean = c(298.2,350.33,152.73,237.67,184.93,132.33),
             Var1_sd = c(2.33,2.32,2.33,2.33,2.32,2.32),
             Var2_sd = c(0.04,0.04,0.04,0.04,0.04,0.04),
             Var3_sd = c(8.77,10.3,4.49,6.99,5.44,3.89))

Z.A.Var1 <- (df$Var1_mean[df$x=="A" & df$P=="P1"] - df$Var1_mean[df$x=="A" & df$P=="P2"])
            / df$Var1_sd[df$x=="A" & df$P=="P1"]

Z.A.Var2 <- (df$Var2_mean[df$x=="A" & df$P=="P1"] - df$Var2_mean[df$x=="A" & df$P=="P2"])
            / df$Var2_sd[df$x=="A" & df$P=="P1"]

等等。

我可以使用“for”循环进行计算,扫描观察结果和变量,但运行起来会很麻烦且速度很慢。

是否有人对如何以更智能的方式执行此操作提出建议,例如使用 dplyr os 类似的东西?

【问题讨论】:

    标签: r


    【解决方案1】:

    尝试使用data.table

    library(data.table)
    dat <- data.table(df)
    dat[, .(calc_V1 = ((Var1_mean[P == "P1"] - Var1_mean[P == "P2"])/Var1_sd[P == "P1"]),
            calc_V2 = ((Var2_mean[P == "P1"] - Var2_mean[P == "P2"])/Var2_sd[P == "P1"]),
            calc_V3 = ((Var3_mean[P == "P1"] - Var3_mean[P == "P2"])/Var3_sd[P == "P1"])),
        by = .(x)]
    
       x     calc_V1 calc_V2    calc_V3
    1: A  0.85836910  811.75  -5.944128
    2: B  0.00000000  140.00 -18.917595
    3: C -0.04310345  168.50   9.669118
    

    以上假设您的 200 多个变量位于 x 列中。相反,如果您的真实数据集非常宽(200 多个变量中的每一个都有两列),您将需要一种不同的方法:

    dat2 <- melt(dat, id.vars = c("x", "P"))
    dat2[, c("variable_val", "variable_type") := tstrsplit(variable, "_", fixed = TRUE)]
    dat2[, .(calc_val = ((value[P == "P1" & variable_type == "mean"] - 
                            value[P == "P2" & variable_type == "mean"])/
                           value[P == "P1" & variable_type == "sd"])),
             by = .(x, variable_val)]
    
       x variable_val     calc_val
    1: A         Var1   0.85836910
    2: B         Var1   0.00000000
    3: C         Var1  -0.04310345
    4: A         Var2 811.75000000
    5: B         Var2 140.00000000
    6: C         Var2 168.50000000
    7: A         Var3  -5.94412771
    8: B         Var3 -18.91759465
    9: C         Var3   9.66911765
    

    【讨论】:

      【解决方案2】:

      我总是尽量避免 for 循环。我会在两个表中发送 P1 和 P2 变量,在另一个表中发送 SD。然后使用矩阵运算。像这样的:

      desired.stuff <- (P1.stuff - P2.stuff) / sd.stuff
      

      此解决方案适用于任意数量的变量,只要 P1 和 P2 具有相同数量的相同顺序的变量,就可以了。

      这是一个使用 data.table 语法的解决方案:

      library(data.table)
      df <- data.table(df) #make a data.table
      P1.stuff <- df[P=="P1", c(1:3), with=F] #select the P1 variables
      P2.stuff <- df[P=="P2", c(3:5), with=F] #select the P2 variables
      sd.stuff <- df[P=="P1", c(6:8), with=F)] #select de P1 SDs
      desired.stuff <- P1.stuff - P2.stuff / sd.stuff 
      

      此外,由于您似乎在进行 Cohen 的 D 计算,您可能需要查看 effsize 包: https://cran.r-project.org/web/packages/effsize/effsize.pdf

      【讨论】:

        【解决方案3】:

        这可以通过tidyverse 用于重塑和聚合数据的包来完成:

        library(dplyr)
        library(tidyr)
        
        df.new <- gather(df, variable, value, -x, -P) %>% # convert data to 'long' format
            separate(variable, c('variable', 'measure')) %>% # separate out variable number and measurement (mean and sd) columns
            spread(measure, value) %>% # make each row have a mean and sd column
            group_by(variable, x) %>% # group by variable and observation and...
            summarize(result = diff(mean) / sd[P == 'P1']) # compute the requested summary, storing in 'result'
        
          variable      x        result
             <chr> <fctr>         <dbl>
        1     Var1      A   -0.85836910
        2     Var1      B    0.00000000
        3     Var1      C    0.04310345
        4     Var2      A -811.75000000
        5     Var2      B -140.00000000
        6     Var2      C -168.50000000
        7     Var3      A    5.94412771
        8     Var3      B   18.91759465
        9     Var3      C   -9.66911765
        

        【讨论】:

        • 原题中的示例计算不包括abs(),否则得到相同的结果。总是很高兴看到做某事的替代方法。
        • 哎呀,你说得对。编辑删除绝对值。
        • 看来您的符号有误。第一行应该是(100-98)/2.33 = 0.858,你得到-0.858。在您的最后一行中,diff(mean) 如何确定 P1-P2 或 P2-P1 的顺序?
        猜你喜欢
        • 2019-04-26
        • 2021-08-21
        • 2016-01-29
        • 1970-01-01
        • 2021-02-03
        • 1970-01-01
        • 2022-01-19
        • 1970-01-01
        • 2021-10-30
        相关资源
        最近更新 更多