web-dev-qa-db-fra.com

comment calculer la moyenne / médiane par groupe dans une trame de données en r

J'ai une trame de données enregistrant combien d'argent un client peut dépenser en détail comme suit:

custid, value
1,  1
1,  3
1,  2
1,  5
1,  4
1,  1
2,  1
2,  10
3,  1
3,  2
3,  5

Comment calculer les caractéristiques en utilisant la moyenne, le max, la médiane, la std, etc. comme suit? Utiliser une fonction d'application? Et comment?

custid, mean, max,min,median,std
1,  ....
2,....
3,....
12
Daniel Wu

Pour ajouter aux alternatives, voici summaryBy du package "doBy", avec lequel vous pouvez spécifier un list de fonctions à appliquer.

library(doBy)
summaryBy(value ~ custid, data = mydf, 
          FUN = list(mean, max, min, median, sd))
#   custid value.mean value.max value.min value.median value.sd
# 1      1   2.666667         5         1          2.5 1.632993
# 2      2   5.500000        10         1          5.5 6.363961
# 3      3   2.666667         5         1          2.0 2.081666

Bien sûr, vous pouvez également vous en tenir à la base R:

myFun <- function(x) {
  c(min = min(x), max = max(x), 
    mean = mean(x), median = median(x), 
    std = sd(x))
}

tapply(mydf$value, mydf$custid, myFun)
# $`1`
#      min      max     mean   median      std 
# 1.000000 5.000000 2.666667 2.500000 1.632993 
# 
# $`2`
#       min       max      mean    median       std 
#  1.000000 10.000000  5.500000  5.500000  6.363961 
# 
# $`3`
#      min      max     mean   median      std 
# 1.000000 5.000000 2.666667 2.000000 2.081666 

cbind(custid = unique(mydf$custid), 
      do.call(rbind, tapply(mydf$value, mydf$custid, myFun)))
#   custid min max     mean median      std
# 1      1   1   5 2.666667    2.5 1.632993
# 2      2   1  10 5.500000    5.5 6.363961
# 3      3   1   5 2.666667    2.0 2.081666
17
library(dplyr)
dat%>%
group_by(custid)%>% 
summarise(Mean=mean(value), Max=max(value), Min=min(value), Median=median(value), Std=sd(value))
#  custid     Mean Max Min Median      Std
#1      1 2.666667   5   1    2.5 1.632993
#2      2 5.500000  10   1    5.5 6.363961
#3      3 2.666667   5   1    2.0 2.081666

Pour les jeux de données plus volumineux, data.table serait plus rapide

setDT(dat)[,list(Mean=mean(value), Max=max(value), Min=min(value), Median=as.numeric(median(value)), Std=sd(value)), by=custid]
#   custid     Mean Max Min Median      Std
#1:      1 2.666667   5   1    2.5 1.632993
#2:      2 5.500000  10   1    5.5 6.363961
#3:      3 2.666667   5   1    2.0 2.081666
14
akrun

Vous pouvez utiliser le package plyr

Split appliquer la stratégie de combinaison

ddply(dataframe, .(groupcol), function)

Dans ton cas

ddply(dataframe, .(custid), summarize, "mean"= mean(value), "median" = median(value))

Jetez un oeil à l'aide pour ddply vous avez un bon exemple pour vous

5
BBrill

Si vous souhaitez appliquer un plus grand nombre de fonctions à toutes ou aux mêmes colonnes avec dplyr je recommande summarise_each ou mutate_each:

require(dplyr)
dat %>%
  group_by(custid) %>%
  summarise_each(funs(max, min, mean, median, sd), value)
#Source: local data frame [3 x 6]
#
#  custid max min     mean median       sd
#1      1   5   1 2.666667    2.5 1.632993
#2      2  10   1 5.500000    5.5 6.363961
#3      3   5   1 2.666667    2.0 2.081666

Ou une autre option avec les R de base aggregate:

aggregate(value ~ custid, data = dat, summary)
#  custid value.Min. value.1st Qu. value.Median value.Mean value.3rd Qu. value.Max.
#1      1      1.000         1.250        2.500      2.667         3.750      5.000
#2      2      1.000         3.250        5.500      5.500         7.750     10.000
#3      3      1.000         1.500        2.000      2.667         3.500      5.000

(Cela n'inclut pas l'écart-type, mais je pense que c'est une bonne approche pour les autres statistiques descriptives.)

5
docendo discimus

J'aime describeBy() du paquet psych. Comme ça

df <- structure(list(custid. = c(1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 3L, 
3L, 3L), value = c(1L, 3L, 2L, 5L, 4L, 1L, 1L, 10L, 1L, 2L, 5L
)), .Names = c("custid.", "value"), class = "data.frame", row.names = c(NA, 
-11L))
df
       custid. value
1        1     1
2        1     3
3        1     2
4        1     5
5        1     4
6        1     1
7        2     1
8        2    10
9        3     1
10       3     2
11       3     5
# install.packages(c("psych"), dependencies = TRUE)
require(psych)

 describeBy(df$value, df$custid.)
group: 1
  vars n mean   sd median trimmed  mad min max range skew kurtosis   se
1    1 6 2.67 1.63    2.5    2.67 2.22   1   5     4 0.21    -1.86 0.67
----------------------------------------------------------------------- 
group: 2
  vars n mean   sd median trimmed  mad min max range skew kurtosis  se
1    1 2  5.5 6.36    5.5     5.5 6.67   1  10     9    0    -2.75 4.5
----------------------------------------------------------------------- 
group: 3
  vars n mean   sd median trimmed  mad min max range skew kurtosis  se
1    1 3 2.67 2.08      2    2.67 1.48   1   5     4 0.29    -2.33 1.2

Ou obtenez-le sous forme de matrice si vous préférez cela,

 describeBy(df$value, df$custid., mat=T, skew = F)
   item group1 vars n     mean       sd median min max range        se
11    1      1    1 6 2.666667 1.632993    2.5   1   5     4 0.6666667
12    2      2    1 2 5.500000 6.363961    5.5   1  10     9 4.5000000
13    3      3    1 3 2.666667 2.081666    2.0   1   5     4 1.2018504
5
Eric Fail