Question

我有一个数据框，其结构如下，有两列data1和data2。以下是样本数据：

data1       data2        
800000    1
800030    0.956521739130435
1000000   0.480916030534351
1686626   0.496
1687492   0.174757281553398
2148463   0.0344827586206897
2850823   0.05
2959087   0.0416666666666667

我想计算data2中每1000000个计数的第二行的平均值data1。这意味着它应该给出前2行然后接下来3行的平均值，然后是接下来的3行，依此类推...

输出应该是一个数据帧，其最后一个值在区间1000000内，并且该区间内的平均值为data2：示例输出如下所示：

 800030  0.97826087
 1687492 0.38389110
 2959087 0.04204981

在R？

中可以做一些帮助吗？

Answer 1

假设您的数据位于data.frame DF中，您可以使用aggregate函数执行此操作

> with(DF, aggregate(data2, by=list((data1+0.01)%/%1000000), mean ))
  Group.1          x
1       0 0.97826087
2       1 0.38389110
3       2 0.04204981

要获取计算mean的列中的值，您必须再次使用aggregate - 这次是data1列本身。之后，您可以merge两个结果数据帧。

res <- with(DF, merge(aggregate(data1, by = list((data1 + 0.01)%/%1e+06), paste), aggregate(data2, by = list((data1 + 0.01)%/%1e+06), mean), by = "Group.1"))
names(res) <- c("Group", "Values", "Mean")
res
##   Group                    Values       Mean
## 1     0            800000, 800030 0.97826087
## 2     1 1000000, 1686626, 1687492 0.38389110
## 3     2 2148463, 2850823, 2959087 0.04204981

Answer 2

您可以这样做：

group <- cut(df$data1, c(0,1000000,2000000,3000000))
tapply(df$data2, group, mean)
# (0,1e+06] (1e+06,2e+06] (2e+06,3e+06] 
# 0.81247926    0.33537864    0.04204981

编辑：要自动计算breaks中的seq，您可以使用以下内容替换c(0,1000000,2000000,3000000)：

c(seq(0, max(df$data1), by=1000000),max(df$data1))

编辑2：以下内容使用ddply中的plyr，将在数据框中返回均值和最大值：

group <- cut(df$data1, c(seq(0, max(df$data1), by=1000000),max(df$data1)))
ddply(df, .(group), summarize, mean=mean(data2), max=max(data2))
#              group       mean   max
# 1        (0,1e+06] 0.81247926 1.000
# 2    (1e+06,2e+06] 0.33537864 0.496
# 3 (2e+06,2.96e+06] 0.04204981 0.050

Answer 3

为了多样性，这是使用split的另一种解决方案：

sapply(split(df,df$data1%/%1e6), function(x)mean(x$data2))
         0          1          2 
0.97826087 0.38389110 0.04204981

修改：甚至更简单：

sapply(split(df$data2,df$data1%/%1e6), mean)

查找R中每1000000个计数的列的平均值

3 个答案: