Question

嗨：我是plyr / dplyr家族的新手但享受它。我可以看到它对我自己的工作具有巨大的实用性，但我仍然试图绕过它。
我有一个如下所示的数据框。

1）如何为每个非分组变量生成一个表，该表显示分组变量的每个值内的响应分布？

2）注意：我确实有一些缺失的值，我想将它们从列表中排除。我意识到summarize_each命令会将函数应用于每一列，但我不知道如何以一种简单的方式处理缺失值问题。我已经看到一些代码建议你必须过滤掉缺失的值，但是如果缺失值是通过非分组变量随机分散的呢？

3）从根本上说，最好只使用dplyr的完整案例吗？

#library
library(dplyr)
#sample data
group<-sample(c('A', 'B', 'C'), 100, replace=TRUE)
var1<-sample(c(1,2,3,4,5,NA), 100, replace=TRUE,     prob=c(0.15,0.15,0.15,0.15,0.15,0.25))
var2<-sample(c(1,2,3,4,5,NA), 100, replace=TRUE, prob=c(0.15,0.15,0.15,0.15,0.15,0.25))
var3<-sample(c(1,2,3,4,5,NA), 100, replace=TRUE, prob=c(0.15,0.15,0.15,0.15,0.15,0.25))
df<-data.frame(group, var1, var2, var3)
#my code
out_df<-df %>%group_by(group)
out_df %>% summarise_each(funs(table))

Answer 1

如果您首先将数据框“融化”为长格式，则可以group为var1，var2和var3分别计算{将“三个var列”堆叠到一个列（value）中，然后创建一个额外的列（variable），标记哪些行与var一起使用。

library(dplyr)
library(reshape2)

#sample data
group <- sample(c('A', 'B', 'C'), 100, replace=TRUE)
var1 <- sample(c(1,2,3,4,5,NA), 100, replace=TRUE, prob=c(0.15,0.15,0.15,0.15,0.15,0.25))
var2 <- sample(c(1,2,3,4,5,NA), 100, replace=TRUE, prob=c(0.15,0.15,0.15,0.15,0.15,0.25))
var3 <- sample(c(1,2,3,4,5,NA), 100, replace=TRUE, prob=c(0.15,0.15,0.15,0.15,0.15,0.25))

df<-data.frame(group, var1, var2, var3)

out_df <- df %>% 
  melt(id.var="group") %>%
  filter(!is.na(value)) %>%  # Remove NA
  group_by(group, variable, value) %>%
  summarise(count=n()) %>% 
  group_by(group, variable) %>% 
  mutate(percent=count/sum(count))

您可以随时停止功能链以查看中间步骤，这将有助于了解每个步骤的作用。

由于我们按group，variable和value进行了分组，因此我们最终得到了count，为我们提供了这三列组合的行数。然后，我们仅按group和variable进行分组，以计算count的每个值对两个分组变量的每个组合所贡献的行的百分比。（第二个group_by不是必需的，因为dplyr在summarise操作之后丢弃了最后一个分组变量（因为对于所有原始分组变量的每个组合只有一行）但我更喜欢重新组合明确。）

这是最终结果：

out_df

   group variable value count    percent
1      A     var1     1     6 0.26086957
2      A     var1     2     3 0.13043478
3      A     var1     3     6 0.26086957
4      A     var1     4     1 0.04347826
5      A     var1     5     7 0.30434783
...
41     C     var3     1     6 0.25000000
42     C     var3     2     5 0.20833333
43     C     var3     3     4 0.16666667
44     C     var3     4     2 0.08333333
45     C     var3     5     7 0.29166667

Answer 2

如果，通过制表你的意思是总和，那么试试这个：

out_df<-df %>%group_by(group)
summarise(out_df,var1=sum(var1,na.rm=TRUE),var2=sum(var2,na.rm=TRUE),var3=sum(var3,na.rm=TRUE))

产生类似这样的东西：

      group var1 var2 var3
  1     A   67   72   60
  2     B   88   92   97
  3     C   54   77   48

通过使用dplyr对变量进行分组来制表多列的响应

2 个答案: