Question

我想在3个类别中聚合data.frame，其中一个类别不同。不幸的是，这一个不同的类别包含NA（实际上它是它需要改变的原因）。因此，我创建了一个data.frames列表。此列表中的每个data.frame仅包含三个变量的完整案例（只有一个变量）。

让我们再现一遍：

library(plyr)

mydata <- warpbreaks
names(mydata) <- c("someValue","group","size")
mydata$category <- c(1,2,3)
mydata$categoryA <- c("A","A","X","X","Z","Z")
# add some NA
mydata$category[c(8,10,19)] <- NA
mydata$categoryA[c(14,1,20)] <- NA 

# create a list of dfs that contains TRUE FALSE
noNAList <- function(vec){
res <- !is.na(vec)
return(res)
}

testTF <- lapply(mydata[,c("category","categoryA")],noNAList)

# create a list of data.frames
selectDF <- function(TFvec){
res <- mydata[TFvec,]
return(res)
}

# check x and see that it may contain NAs as long
# as it's not in one of the 3 categories I want to aggregate over    
x <-lapply(testTF,selectDF)

## let's ddply get to work
doddply <- function(df){
ddply(df,.(group,size),summarize,sumTest = sum(someValue))
}

y <- lapply(x, doddply);y

y非常接近我想要的内容

$category
group size sumTest
1     A    L     375
2     A    M     198
3     A    H     185
4     B    L     254
5     B    M     259
6     B    H     169

$categoryA
group size sumTest
1     A    L     375
2     A    M     204
3     A    H     200
4     B    L     254
5     B    M     259
6     B    H     169

但是我需要在第三个变量变量上实现聚合，在这种情况下category和categoryA。就像：

group size category sumTest sumTestTotal      
1      A    H        1      46          221 
2      A    H        2      46          221 
3      A    H        3      93          221

等等。如何将名称（x）添加到lapply中，或者我是否需要循环或环境？

编辑：请注意，我希望在混合中添加EITHER类别或categoryA。实际上，我有大约15个相互排斥的分类变量。

Answer 1

如果我理解你的问题，我认为你可能会对自己造成很大困难。

如果您想通过三个（或四个）变量聚合data.frame'myData'，您只需执行此操作：

aggregate(someValue ~ group + size + category + categoryA, sum, data=mydata)

   group size category categoryA someValue
1      A    L        1         A        51
2      B    L        1         A        19
3      A    M        1         A        17
4      B    M        1         A        63

aggregate会自动删除任何类别中包含NA的行。如果someValue有时为NA，则可以添加参数na.rm = T.

我还注意到你在函数中添加了许多不必要的代码。例如：

# create a list of data.frames
selectDF <- function(TFvec){
    res <- mydata[TFvec,]
    return(res)
}

可以写成：

selectDF <- function(TFvec) mydata[TFvec,]

此外，使用lapply创建没有NA的两个数据框的列表是过度的。试试这段代码：

x = list(mydata[!is.na(mydata$category),],mydata[!is.na(mydata$categoryA),])

Answer 2

我知道明确请求ddply()/lapply()解决方案的问题。

但是......如果你愿意接受黑暗的一面，这里有一个基于data.table()的函数可以解决这个问题：

# Convert mydata to a data.table
library(data.table)
dt <- data.table(mydata, key = c("group", "size"))

# Define workhorse function
myfunction <- function(dt, VAR) {
    E <- as.name(substitute(VAR))
    dt[i = !is.na(eval(E)), 
       j = {n <- sum(.SD[,someValue]) 
            .SD[, list(sumTest = sum(someValue),
                       sumTestTotal = n,
                       share = sum(someValue)/n), 
                by = VAR]
           }, 
       by = key(dt)]
}

# Test it out
s1 <- myfunction(dt, "category")
s2 <- myfunction(dt, "categoryA")

在编辑时添加

以下是如何针对不同分类变量的向量运行此操作：

catVars <- c("category", "categoryA")

ll <- lapply(catVars, 
             FUN = function(X) {
                       do.call(myfunction, list(dt, X))
                   })
names(ll) <- catVars

lapply(ll, head, 3)
# $category
#      group size category sumTest sumTestTotal     share
# [1,]     A    H        2      46          185 0.2486486
# [2,]     A    H        3      93          185 0.5027027
# [3,]     A    H        1      46          185 0.2486486
# 
# $categoryA
#      group size categoryA sumTest sumTestTotal share
# [1,]     A    H         A      79          200 0.395
# [2,]     A    H         X      68          200 0.340
# [3,]     A    H         Z      53          200 0.265

Answer 3

最后，我找到了一个可能不像Josh那样光滑的解决方案，但它没有黑暗力量（data.table）。你可能会笑 - 这是我可重复的例子，使用与问题中相同的样本数据。

qual <- c("category","categoryA")

# get T / F vectors
noNAList <- function(vec){
res <- !is.na(vec)
return(res)
}

selectDF <- function(TFvec) mydata[TFvec,]

NAcheck <- lapply(mydata[,qual],noNAList)

# create a list of data.frames
listOfDf <- lapply(NAcheck,selectDF)

workhorse <- function(charVec,listOfDf){
dfs <- list2env(listOfDf)
# create expression list
exlist <- list()
for(i in 1:length(qual)){
exlist[[qual[i]]] <- parse(text=paste("ddply(",qual[i],
                                  ",.(group,size,",qual[i],"),summarize,sumTest =    sum(someValue))",
                                  sep=""))
}

res <- lapply(exlist,eval,envir=dfs)
return(res)

}

Answer 4

这更像你的意思吗？我发现你的例子非常难以理解。在下面的代码中，该方法可以接受任何列，然后通过它进行聚合。它可以返回someValue的多个聚合函数。然后，我找到您想要聚合的所有列名，然后将该函数应用于该向量。

# Build a method to aggregate by column.
agg.by.col = function (column) {
    by.list=list(mydata$group,mydata$size,mydata[,column])
    names(by.list) = c('group','size',column)
    aggregate(mydata$someValue, by=by.list, function(x) c(sum=sum(x),mean=mean(x)))
}

# Find all the column names you want to aggregate by
cols = names(mydata)[!(names(mydata) %in% c('someValue','group','size'))]

# Apply the method to each column name.
lapply (cols, agg.by.col)

使用ddply和lapply聚合包含NA的类别？

4 个答案: