R dplyr按列X分组并汇总其余列

时间:2018-03-05 23:21:24

标签: r dplyr

我使用以下数据集作为示例:

       Age      Gender  CarType     Group   Education
1      46        Male      Sedan     1        BS
2      37        Male      SUV       1        MS
3      47      Female      Sedan     2        PhD
4      20        Male      SUV       2        HS
5      41        Male      SUV       1        MS 
6      52        Male      Sedan     2        MS

我的目标是使用Group变量进行分组,然后按组显示每列的统计信息。

Group   Male  Female Female-Mean-age Male-Mean-AGE Sedan SUV PhD BS MS
 1       3      0         0               41.3      1     2    0  1  2

df %>% group_by(Group) %>% summarise(n = n())只是给出计数,但当我尝试添加mutate并收集每个性别的计数时,我会收到错误

df %>% group_by(Group, Gender) %>% summarize(n=n()) %>% mutate(male = count('Male'))

我是否需要在group_by中包含所有列以便稍后访问总和或计数,或者最好的方法是什么?

2 个答案:

答案 0 :(得分:4)

一个选项是gather进入' long'格式并获得'计数'对于多列,spread它为' wide'格式,然后使用mean'年龄'由' Group'计算和'性别'

library(tidyr)
library(dplyr)
res1 <- gather(df1, key, val, Gender, CarType, Education) %>% 
               group_by(Group, key, val) %>% 
               summarise(n = n()) %>%
               ungroup %>% select(-key) %>% 
               spread(val, n, fill = 0)
res2 <- df1 %>% 
           group_by(Group, Gender) %>%
           summarise(Age_Mean = mean(Age))  %>% 
           mutate(Gender = paste0(Gender, "_Mean")) %>%
           spread(Gender, Age_Mean, fill = 0)
left_join(res1, res2)
# A tibble: 2 x 11
#  Group    BS Female    HS  Male    MS   PhD Sedan   SUV Female_Mean Male_Mean
#  <int> <dbl>  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>       <dbl>     <dbl>
#1     1  1.00   0     0     3.00  2.00  0     1.00  2.00         0        41.3
#2     2  0      1.00  1.00  2.00  1.00  1.00  2.00  1.00        47.0      36.0

答案 1 :(得分:2)

这是一种避免使用left_join和中间对象的替代方法,但无论您觉得这更容易理解还是阅读,都是您的通话。在不知道数据形状的情况下,很难说出最简单的方法。如果你想要最大年龄,这个方法每个额外的不同摘要函数只需要额外的一行或两行,而上述需要另外一个left_join和另一个df。但是,如果你有更多的变量需要计算,上面会更容易,因为它不会为具有相同汇总函数的更多变量添加行。

该方法基本上是使用mutate将正确的分组摘要添加为新列,然后使用spread为每个列创建正确的列名称。我们可以通过Group调用summarise来减少所有内容。我使用median因为我们选择的汇总函数并不重要,此时所有变量都应该为每个组都有一个值而mean产生NaN这有点刺激性

N.B。 mutate_at的最后一行将计数中的所有NA变为0.但是,我选择不替换NA中的mean_age_Female,因为NA暗示与0不同的东西。这是目前这个解决方案与另一个解决方案之间的输出差异,尽管这是一个很小的修复。

library(tidyverse)
tbl <- read_table2(
  "Age      Gender  CarType     Group   Education
  46        Male      Sedan     1        BS
  37        Male      SUV       1        MS
  47      Female      Sedan     2        PhD
  20        Male      SUV       2        HS
  41        Male      SUV       1        MS 
  52        Male      Sedan     2        MS"
)
#> Warning: 2 parsing failures.
#> row # A tibble: 2 x 5 col     row col       expected  actual        file         expected   <int> <chr>     <chr>     <chr>         <chr>        actual 1     5 <NA>      5 columns 6 columns     literal data file 2     6 Education ""        embedded null literal data

tbl %>%
  add_count(Group, Gender) %>% # Add all summary statistics as columns
  add_count(Group, CarType) %>%
  add_count(Group, Education) %>%
  group_by(Group, Gender) %>%
  mutate(., mAge = mean(Age)) %>%
  mutate(Gender2 = str_c("mean_age_", Gender)) %>%
  spread(Gender, n) %>% # Convert all to new columns
  spread(Gender2, mAge) %>%
  spread(CarType, nn) %>%
  spread(Education, nnn) %>%
  group_by(Group) %>% # Collapse to one row per group
  summarise_at(vars(-Age), function(x) median(x, na.rm = TRUE)) %>%
  mutate_at(vars(-starts_with("mean_age_")), function(x) replace_na(x, 0))
#> # A tibble: 2 x 11
#>   Group Female  Male mean_age_Female mean_age_Male Sedan   SUV    BS    HS
#>   <dbl>  <dbl> <dbl>           <dbl>         <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1  1.00   0     3.00            NA            41.3  1.00  2.00  1.00  0   
#> 2  2.00   1.00  2.00            47.0          36.0  2.00  1.00  0     1.00
#> # ... with 2 more variables: MS <dbl>, PhD <dbl>

reprex package(v0.2.0)于2018-03-05创建。