Как суммировать переменную по группе?

Question

Предположим, у меня есть два столбца данных. Первый содержит такие категории, как «Первый», «Второй», «Третий» и т. Д. Во втором есть числа, которые представляют количество раз, когда я видел «Первое».

Например:

Category  Frequency 
First  10 
First  15 
First  5 
Second  2 
Third  14 
Third  20 
Second  3 

Я хочу, чтобы отсортировать данные по категориям и просуммировать Частоты:

Category  Frequency 
First  30 
Second  5 
Third  34 

Как бы я сделать это в R?

Answer 1

Использование aggregate:

aggregate(x$Frequency, by=list(Category=x$Category), FUN=sum) 
    Category x 
1 First 30 
2 Second 5 
3 Third 34 

---

(вложение @thelatemail комментарий), aggregate имеет формулу интерфейс слишком

aggregate(Frequency ~ Category, x, sum) 

Или, если вы хотите, чтобы объединить несколько столбцов, вы можете использовать . обозначение (работы для одной колонки тоже)

aggregate(. ~ Category, x, sum) 

---

или tapply:

tapply(x$Frequency, x$Category, FUN=sum) 
First Second Third 
    30  5  34 

---

Используя эти данные:

x <- data.frame(Category=factor(c("First", "First", "First", "Second", 
             "Third", "Third", "Second")), 
        Frequency=c(10,15,5,2,14,20,3)) 

Answer 2

Если x является dataframe с вашими данными, то следующий будет делать то, что вы хотите:

require(reshape) 
recast(x, Category ~ ., fun.aggregate=sum) 

Answer 3

library(plyr) 
ddply(tbl, .(Category), summarise, sum = sum(Frequency)) 

Answer 4

Просто добавить третий вариант:

require(doBy) 
summaryBy(Frequency~Category, data=yourdataframe, FUN=sum) 

EDIT: это очень старый ответ. Теперь я бы рекомендовал использовать group_by и суммировать из dplyr, как в ответе @docendo.

Answer 5

Это несколько related to this question.

Вы также можете просто использовать по() функции:

x2 <- by(x$Frequency, x$Category, sum) 
do.call(rbind,as.list(x2)) 

Эти другие пакеты (plyr, перекроить) имеют преимущество возвращения data.frame, но это стоит быть знакомым с помощью (), так как это базовая функция.

Answer 6

Ответ, предоставленный rcs, работает и прост. Тем не менее, если вы регулируете большие массивы данных и необходимо повышение производительности есть более быстрый вариант:

library(data.table) 
data = data.table(Category=c("First","First","First","Second","Third", "Third", "Second"), 
        Frequency=c(10,15,5,2,14,20,3)) 
data[, sum(Frequency), by = Category] 
# Category V1 
# 1: First 30 
# 2: Second 5 
# 3: Third 34 
system.time(data[, sum(Frequency), by = Category]) 
# user system elapsed 
# 0.008  0.001  0.009 

Давайте сравним, что то же самое, используя данные.рама и выше выше:

data = data.frame(Category=c("First","First","First","Second","Third", "Third", "Second"), 
        Frequency=c(10,15,5,2,14,20,3)) 
system.time(aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum)) 
# user system elapsed 
# 0.008  0.000  0.015 

И если вы хотите сохранить столбец это синтаксис:

data[,list(Frequency=sum(Frequency)),by=Category] 
# Category Frequency 
# 1: First  30 
# 2: Second   5 
# 3: Third  34 

Разница становится более заметным с большими наборами данных, так как ниже код демонстрирует:

data = data.table(Category=rep(c("First", "Second", "Third"), 100000), 
        Frequency=rnorm(100000)) 
system.time(data[,sum(Frequency),by=Category]) 
# user system elapsed 
# 0.055  0.004  0.059 
data = data.frame(Category=rep(c("First", "Second", "Third"), 100000), 
        Frequency=rnorm(100000)) 
system.time(aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum)) 
# user system elapsed 
# 0.287  0.010  0.296 

---

Для нескольких агрегатов, вы можете комбинировать lapply и .SD следующим

data[, lapply(.SD, sum), by = Category] 
# Category Frequency 
# 1: First  30 
# 2: Second   5 
# 3: Third  34 

Answer 7

Совсем недавно, вы можете также использовать dplyr пакет для этой цели:

library(dplyr) 
x %>% 
    group_by(Category) %>% 
    summarise(Frequency = sum(Frequency)) 

#Source: local data frame [3 x 2] 
# 
# Category Frequency 
#1 First  30 
#2 Second   5 
#3 Third  34 

Или, для нескольких сводных колонн (работает с одной колонкой тоже):

x %>% 
    group_by(Category) %>% 
    summarise_each(funs(sum)) 

Обновление для dplyr> = 0.5:summarise_each был заменен на summarise_all, summarise_at и summarise_if Семейство функций в dplyr.

Или, если у вас есть несколько столбцов в группе, вы можете указать их все в group_by разделенных запятыми:

mtcars %>% 
    group_by(cyl, gear) %>%       # multiple group columns 
    summarise(max_hp = max(hp), mean_mpg = mean(mpg)) # multiple summary columns 

Для получения дополнительной информации, в том числе оператора %>% см introduction to dplyr.

Answer 8

Несколько лет спустя, просто добавить еще один простой базы R решение, которое не присутствует здесь в течение некоторого Reason-xtabs

xtabs(Frequency ~ Category, df) 
# Category 
# First Second Third 
# 30  5  34 

Или, если хотите data.frame назад

as.data.frame(xtabs(Frequency ~ Category, df)) 
# Category Freq 
# 1 First 30 
# 2 Second 5 
# 3 Third 34 

Answer 9

Хотя у меня есть недавно стал конвертировать в dplyr для большинства этих типов операций, пакет sqldf по-прежнему очень приятный (и IMHO более читабельный) для некоторых вещей.

Вот пример того, как этот вопрос может быть решен с sqldf

x <- data.frame(Category=factor(c("First", "First", "First", "Second", 
            "Third", "Third", "Second")), 
       Frequency=c(10,15,5,2,14,20,3)) 

sqldf("select 
      Category 
      ,sum(Frequency) as Frequency 
     from x 
     group by 
      Category") 

## Category Frequency 
## 1 First  30 
## 2 Second   5 
## 3 Third  34 

Answer 10

использованием cast вместо recast (обратите внимание 'Frequency' теперь 'value')

df <- data.frame(Category = c("First","First","First","Second","Third","Third","Second") 
        , value = c(10,15,5,2,14,20,3)) 

install.packages("reshape") 

result<-cast(df, Category ~ . ,fun.aggregate=sum) 

получить:

Category (all) 
First  30 
Second 5 
Third  34