根据变量的值生成数据总和

Question

我有类似这样的数据：

Hosp    Score   Var1    Var2    Var3
1       0       5       3       0
1       1       10      8       1
1       2       11      8       2
1       3       5       3       2
2       0       6       4       0
2       2       10      6       1
2       3       10      7       2
3       1       4       3       2
etc...

大约有 800 家医院和 4 个等级的因子得分 (0,1,2,3)。一些医院没有针对特定分数水平的观察

我想生成一个新的数据框，其中变量 Var1、Var2 和 Var3 相加。所以使用上面的数据会给

Hosp    Var1    Var2    Var3
1       32      22      5
2       26      17      3
3       4       3       2

这在 SQL 中是微不足道的（我猜它在 R 中也是如此！），但到目前为止我发现的唯一方法是使用循环，每次 Hosp 更改时都会添加一个新行，并在变量没有变化时增加变量't 改变（当然数据是在 Hosp 上排序的）。

有没有巧妙的方法来做到这一点？

Answer 1

使用aggregate()。假设您的 data.frame 被命名为“temp”，请使用：

aggregate(list(Var1 = temp$Var1, Var2 = temp$Var2, Var3 = temp$Var3), 
          list(Hosp = temp$Hosp), sum)
#   Hosp Var1 Var2 Var3
# 1    1   31   22    5
# 2    2   26   17    3
# 3    3    4    3    2

要以slick 的方式执行此操作，请使用aggregate() 的公式表示法：

aggregate(cbind(Var1, Var2, Var3) ~ Hosp, temp, sum)

但是请注意，NA 值在默认 data.frame 方法和 formula 方法中的处理方式有所不同。

更新

您在原始问题中提到使用 SQL。我对 SQL 没有太多经验，但也有 sqldf 包，您可以使用它执行以下操作：

sqldf("select Hosp, 
      sum(Var1) `Var1`, sum(Var2) `Var2`, sum(Var3) `Var3` 
      from temp 
      group by Hosp")
#   Hosp Var1 Var2 Var3
# 1    1   31   22    5
# 2    2   26   17    3
# 3    3    4    3    2

Answer 2

data.table 的内存、编码和时间效率解决方案。

鉴于您习惯于使用SQL，您应该会发现data.table 的语法很简单，一旦您查看了data.table 的小插曲。

# assuming your data is in DF
library(data.table)
DT <- data.table(DF)

DT[, lapply(.SD, sum), by = hosp, .SDcols = c('Var1', 'Var2', 'Var3')]

在这种情况下，您可以使用简写lapply(.SD, FUN)，将.SDcols 设置为运行lapply 的变量。

产生相同结果的更冗长但类似于SQL 的方法是

DT[, list(Var1 = sum(Var1), Var2 =sum(Var2), Var3 = sum(Var3)), by = hosp]

但你为什么要在不需要的时候编写所有这些额外的代码！

Answer 3

以solution by mrdwab 为基础，但提供更短的语法：

aggregate(temp[3:5], temp[1], sum)

这利用了数据框是一个列表的事实，因此单括号子集将生成一个包含列子集的数据框。这避免了所有list 调用。

---

另一种选择：

library(plyr)
ddply(temp[-2], .(Hosp), colSums, na.rm = TRUE)

这会将数据帧按Hosp 拆分为多个块，并以colSums(chunk, na.rm = TRUE) 的方式计算每个此类块的列总和。 [-2] 从输入中删除 Score 列，因此您不会得到总和。

唉，正如 mrdwab 在下面的评论中正确指出的那样，上面的内容也将汇总 Hosp 列。我对这个问题的第一个解决方法如下：

ddply(t[-2], .(Hosp), function(d){colSums(d[-1], na.rm = TRUE)})

这会将Hosp 列从参数中删除到colSums，这样它就不会覆盖ddply 默认提供的该名称的原始列。总的来说，不再是一个漂亮的解决方案，也不是一个快速的解决方案。但是由于它确实有对块操作的功能，所以它非常灵活，所以我将其留作参考。

在另一条评论中，mrdwab 提出了一个更好的解决方案：

ddply(temp[-2], .(Hosp), numcolwise(sum))

这是可行的，因为基于colwise 的numcolwise 在内部调用strip_splits，而strip_splits 反过来又删除了那些用于执行拆分的列，即在这种情况下为Hosp。上一句中的所有函数都来自plyr。