dplyr 的相对频率/比例答案

【问题标题】：Relative frequencies / proportions with dplyrdplyr 的相对频率/比例
【发布时间】：2014-08-25 22:10:34
【问题描述】：

假设我想计算每个组中不同值的比例。例如，使用mtcars 数据，我如何计算 am（自动/手动）中 gears 数量的相对频率与dplyr一起去吗？

library(dplyr)
data(mtcars)
mtcars <- tbl_df(mtcars)

# count frequency
mtcars %>%
  group_by(am, gear) %>%
  summarise(n = n())

# am gear  n
#  0    3 15 
#  0    4  4 
#  1    4  8  
#  1    5  5

我想要达到的目标：

am gear  n rel.freq
 0    3 15      0.7894737
 0    4  4      0.2105263
 1    4  8      0.6153846
 1    5  5      0.3846154

【问题讨论】：

这些百分比是您想要的实际数字吗？他们从哪里来，代数？啊，79% 是 15/(15+4)，21% 是 4/(15+4)，然后对于 am==1 62% 是 8/(8+5) 等等。知道了。
@Spacedman 是的，这些是我想要的数字，Frank 是正确的，它们通过 am 变量 (79+21) 和 (62+38) 求和为 100%..
这似乎真的在寻找prop.table()/sweep() 的原生 dplyr 实现。另外，在其他问题中，有些人是asking for the option to include zero-counts for variables or variable-interactions

标签： r group-by dplyr frequency

【解决方案1】：

试试这个：

mtcars %>%
  group_by(am, gear) %>%
  summarise(n = n()) %>%
  mutate(freq = n / sum(n))

#   am gear  n      freq
# 1  0    3 15 0.7894737
# 2  0    4  4 0.2105263
# 3  1    4  8 0.6153846
# 4  1    5  5 0.3846154

来自dplyr vignette：

当您按多个变量分组时，每个摘要都会剥离一个分组级别。这使得逐步汇总数据集变得容易。

因此，在summarise 之后，group_by 中指定的最后一个分组变量“gear”被剥离。在mutate 步骤中，数据按剩余的分组变量分组，此处为“am”。您可以使用groups 在每个步骤中检查分组。

剥离的结果当然取决于group_by 调用中分组变量的顺序。您可能希望执行后续的group_by(am)，以使您的代码更加明确。

关于四舍五入和美化，请参考@Tyler Rinker 的精彩回答。

【讨论】：

我也刚刚发现了这个解决方案，但我不知道为什么sum(n) 可以在am 组上工作，而不是gear 组...
参见vignette：“当您按多个变量分组时，每个摘要都会剥离一层分组。”
很好 - 如果您在 summarise 之后停下来，它会说明还剩下哪些组。哦，dplyr 岩石...
简单明了。我以前从不知道剥离理论，谢谢！
不错。简单有效。干得好！

【解决方案2】：

@Henrik 的可用性更好，因为这将使列字符不再是数字，但与您要求的匹配...

mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n()) %>%
  mutate(rel.freq = paste0(round(100 * n/sum(n), 0), "%"))

##   am gear  n rel.freq
## 1  0    3 15      79%
## 2  0    4  4      21%
## 3  1    4  8      62%
## 4  1    5  5      38%

编辑因为 Spacedman 要求 :-)

as.rel_freq <- function(x, rel_freq_col = "rel.freq", ...) {
    class(x) <- c("rel_freq", class(x))
    attributes(x)[["rel_freq_col"]] <- rel_freq_col
    x
}

print.rel_freq <- function(x, ...) {
    freq_col <- attributes(x)[["rel_freq_col"]]
    x[[freq_col]] <- paste0(round(100 * x[[freq_col]], 0), "%")   
    class(x) <- class(x)[!class(x)%in% "rel_freq"]
    print(x)
}

mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n()) %>%
  mutate(rel.freq = n/sum(n)) %>%
  as.rel_freq()

## Source: local data frame [4 x 4]
## Groups: am
## 
##   am gear  n rel.freq
## 1  0    3 15      79%
## 2  0    4  4      21%
## 3  1    4  8      62%
## 4  1    5  5      38%

【讨论】：

您始终可以使用添加百分号的 format 方法创建一个 S3“百分比”类...#overkill
实现这个可能也很有趣：stackoverflow.com/questions/13483430/…
如果在本例中也计算均值、sd 和 SE 会怎样？

【解决方案3】：

您可以使用count() 函数，但是根据dplyr 的版本，它的行为会有所不同：

dplyr 0.7.1：返回一个未分组表：您需要再次分组am
dplyr grouped 表，因此无需再次分组，尽管您可能需要 ungroup() 以供以后操作

dplyr 0.7.1

mtcars %>%
  count(am, gear) %>%
  group_by(am) %>%
  mutate(freq = n / sum(n))

dplyr

mtcars %>%
  count(am, gear) %>%
  mutate(freq = n / sum(n))

这会生成一个分组表，如果您想将其用于进一步分析，使用ungroup() 删除 grouped 属性可能会很有用。

【讨论】：

这似乎是dplyr 0.7.1 上的无效答案。它对“gear”进行整体频率计算，而不是在“am”的每个级别内。

【解决方案4】：

此答案基于 Matifou 的答案。

首先，我对其进行了修改，以确保我不会使用 scipen 选项将频率列作为科学记数法列返回。

然后我将答案乘以 100 以获得百分比而不是小数，以使频率列更易于以百分比形式读取。

getOption("scipen") 
options("scipen"=10) 
mtcars %>%
count(am, gear) %>% 
mutate(freq = (n / sum(n)) * 100)

【讨论】：

【解决方案5】：

这是在dplyr 0.7.1 上实现 Henrik 解决方案的通用函数。

freq_table <- function(x, 
                       group_var, 
                       prop_var) {
  group_var <- enquo(group_var)
  prop_var  <- enquo(prop_var)
  x %>% 
    group_by(!!group_var, !!prop_var) %>% 
    summarise(n = n()) %>% 
    mutate(freq = n /sum(n)) %>% 
    ungroup
}

【讨论】：

Error in bind_rows_(x, .id) : Column am` 无法从数字转换为字符`

【解决方案6】：

我为这个重复任务写了一个小函数：

count_pct <- function(df) {
  return(
    df %>%
      tally %>% 
      mutate(n_pct = 100*n/sum(n))
  )
}

然后我可以像这样使用它：

mtcars %>% 
  group_by(cyl) %>% 
  count_pct

返回：

# A tibble: 3 x 3
    cyl     n n_pct
  <dbl> <int> <dbl>
1     4    11  34.4
2     6     7  21.9
3     8    14  43.8

【讨论】：

【解决方案7】：

尽管有很多答案，但还有一种方法将prop.table 与dplyr 或data.table 结合使用。

library("dplyr")
mtcars %>%
    group_by(am, gear) %>%
    summarise(n = n()) %>%
    mutate(freq = prop.table(n))

library("data.table")
cars_dt <- as.data.table(mtcars)
cars_dt[, .(n = .N), keyby = .(am, gear)][, freq := prop.table(n) , by = "am"]

【讨论】：

迄今为止最简单的方法

【解决方案8】：

这是使用 aggregate 和 ave 的基本 R 答案：

df1 <- with(mtcars, aggregate(list(n = mpg), list(am = am, gear = gear), length))
df1$prop <- with(df1, n/ave(n, am, FUN = sum))
#Also with prop.table
#df1$prop <- with(df1, ave(n, am, FUN = prop.table))
df1

#  am gear  n      prop
#1  0    3 15 0.7894737
#2  0    4  4 0.2105263
#3  1    4  8 0.6153846
#4  1    5  5 0.3846154

我们也可以使用prop.table，但输出显示不同。

prop.table(table(mtcars$am, mtcars$gear), 1)
   
#            3         4         5
#  0 0.7894737 0.2105263 0.0000000
#  1 0.0000000 0.6153846 0.3846154

【讨论】：

【解决方案9】：

为了这个热门问题的完整性，由于dplyr的1.0.0版本，参数.groups控制summarise函数在group_by之后的分组结构summarise help .

使用.groups = "drop_last"，summarise 会丢弃最后一层分组。这是 1.0.0 版本之前获得的唯一结果。

library(dplyr)
library(scales)

original <- mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n()) %>%
  mutate(rel.freq =  scales::percent(n/sum(n), accuracy = 0.1))
#> `summarise()` regrouping output by 'am' (override with `.groups` argument)

original
#> # A tibble: 4 x 4
#> # Groups:   am [2]
#>      am  gear     n rel.freq
#>   <dbl> <dbl> <int> <chr>   
#> 1     0     3    15 78.9%   
#> 2     0     4     4 21.1%   
#> 3     1     4     8 61.5%   
#> 4     1     5     5 38.5%

new_drop_last <- mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n(), .groups = "drop_last") %>%
  mutate(rel.freq =  scales::percent(n/sum(n), accuracy = 0.1))

dplyr::all_equal(original, new_drop_last)
#> [1] TRUE

使用.groups = "drop"，所有级别的分组都将被删除。结果变成了一个独立的tibble，没有之前group_by的痕迹

# .groups = "drop"
new_drop <- mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n(), .groups = "drop") %>%
  mutate(rel.freq =  scales::percent(n/sum(n), accuracy = 0.1))

new_drop
#> # A tibble: 4 x 4
#>      am  gear     n rel.freq
#>   <dbl> <dbl> <int> <chr>   
#> 1     0     3    15 46.9%   
#> 2     0     4     4 12.5%   
#> 3     1     4     8 25.0%   
#> 4     1     5     5 15.6%

如果.groups = "keep"，与.data 相同的分组结构（本例中为mtcars）。 summarise 不会剥离 group_by 中使用的任何变量。

最后，.groups = "rowwise"，每一行都是它自己的组。在这种情况下相当于“保持”

# .groups = "keep"
new_keep <- mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n(), .groups = "keep") %>%
  mutate(rel.freq =  scales::percent(n/sum(n), accuracy = 0.1))

new_keep
#> # A tibble: 4 x 4
#> # Groups:   am, gear [4]
#>      am  gear     n rel.freq
#>   <dbl> <dbl> <int> <chr>   
#> 1     0     3    15 100.0%  
#> 2     0     4     4 100.0%  
#> 3     1     4     8 100.0%  
#> 4     1     5     5 100.0%

# .groups = "rowwise"
new_rowwise <- mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n(), .groups = "rowwise") %>%
  mutate(rel.freq =  scales::percent(n/sum(n), accuracy = 0.1))

dplyr::all_equal(new_keep, new_rowwise)
#> [1] TRUE

另一个有趣的地方是，有时在应用group_by 和summarise 之后，摘要行会有所帮助。

# create a subtotal line to help readability
subtotal_am <- mtcars %>%
  group_by (am) %>% 
  summarise (n=n()) %>%
  mutate(gear = NA, rel.freq = 1)
#> `summarise()` ungrouping output (override with `.groups` argument)

mtcars %>% group_by (am, gear) %>%
  summarise (n=n()) %>% 
  mutate(rel.freq = n/sum(n)) %>%
  bind_rows(subtotal_am) %>%
  arrange(am, gear) %>%
  mutate(rel.freq =  scales::percent(rel.freq, accuracy = 0.1))
#> `summarise()` regrouping output by 'am' (override with `.groups` argument)
#> # A tibble: 6 x 4
#> # Groups:   am [2]
#>      am  gear     n rel.freq
#>   <dbl> <dbl> <int> <chr>   
#> 1     0     3    15 78.9%   
#> 2     0     4     4 21.1%   
#> 3     0    NA    19 100.0%  
#> 4     1     4     8 61.5%   
#> 5     1     5     5 38.5%   
#> 6     1    NA    13 100.0%

^{由reprex package (v0.3.0) 于 2020 年 11 月 9 日创建}

希望这个答案对您有用。

【讨论】：

【解决方案10】：

另外，请尝试add_count()（绕过讨厌的 group_by .groups）。

mtcars %>% 
  count(am, gear) %>% 
  add_count(am, wt = n, name = "nn") %>% 
  mutate(proportion = n / nn)

【讨论】：