Question

我想计算每个因子的数据框的平均值，但仅在满足某些条件时才计算。例如，我有这个数据框：

> df <- data.frame(name = rep(c("A", "B", "C"), 20), 
                 variable1 = rep(c(1, 1, 1, 1, 1, NA), 10), 
                 variable2 = rep(c(2, NA, 2, 2, 2, 2), 10), 
                 variable3 = rep(c(NA, 3, 3, 3, 3, 3), 10))

> table(df$name, df$variable1)

     1
  A 20
  B 20
  C 10

> table(df$name, df$variable2)

     2
  A 20
  B 10
  C 20

> table(df$name, df$variable3)

     3
  A 10
  B 20
  C 20

我可以通过以下方式轻松计算dplyr的每个变量的均值：

means <- df %>%
  group_by(name) %>%
  summarise_each(funs(mean(., na.rm = TRUE)))
> means
Source: local data frame [3 x 4]

  name variable1 variable2 variable3
1    A         1         2         3
2    B         1         2         3
3    C         1         2         3

但是，我想要的是仅计算11个或更多观察值的平均值，否则将NA放在相应的单元格中。换句话说，结果应如下所示：

  name variable1 variable2 variable3
1    A         1         2        NA
2    B         1        NA         3
3    C        NA         2         3

Answer 1

我们可以创建一个函数（f1）来表示if非NA值的数量大于11（sum(!is.na(x))>11）或者我们得到NA。我正在使用NA_real_，因为默认的NA将是逻辑类，并且在某些包中可能存在类的冲突。

使用dplyr，我们按name进行分组并使用f1中的函数summarise_each

f1 <- function(x) if(sum(!is.na(x))>11) mean (x, na.rm=TRUE) else NA_real_
library(dplyr) 
df  %>% 
     group_by(name) %>%
     summarise_each(funs(f1))

使用data.table的类似方法是将data.frame转换为data.table（setDT(df)）。我们遍历列（lapply(.SD, ..)），使用按name

分组的相同功能

library(data.table)
setDT(df)[,  lapply(.SD, f1), by = name]
#   name variable1 variable2 variable3
#1:    A         1         2        NA
#2:    B         1        NA         3
#3:    C        NA         2         3

Answer 2

另一种方法是将数据从宽到长转换。

library(reshape2)
df1 <- melt(df, id.vars = c("name")) # From wide to long
df1 <- df1 %>% group_by(name, variable) %>% 
       filter(n()>10) %>%
       summarize(mean = mean(value))

长格式输出：

   name  variable mean
1    A variable1    1
2    A variable2    2
3    A variable3   NA
4    B variable1    1
5    B variable2   NA
6    B variable3    3
7    C variable1   NA
8    C variable2    2
9    C variable3    3

宽幅输出：

dcast(df1,  name ~ variable, value.var = "mean")

  name variable1 variable2 variable3
1    A         1         2        NA
2    B         1        NA         3
3    C        NA         2         3

条件计算均值

2 个答案: