web-dev-qa-db-fra.com

ddply pour somme par groupe en R

J'ai un exemple de dataframe "data" comme suit:

X            Y  Month   Year    income
2281205 228120  3   2011    1000
2281212 228121  9   2010    1100
2281213 228121  12  2010    900
2281214 228121  3   2011    9000
2281222 228122  6   2010    1111
2281223 228122  9   2010    3000
2281224 228122  12  2010    1889
2281225 228122  3   2011    778
2281243 228124  12  2010    1111
2281244 228124  3   2011    200
2281282 228128  9   2010    7889
2281283 228128  12  2010    2900
2281284 228128  3   2011    3400
2281302 228130  9   2010    1200
2281303 228130  12  2010    2000
2281304 228130  3   2011    1900
2281352 228135  9   2010    2300
2281353 228135  12  2010    1333
2281354 228135  3   2011    2340

Je veux utiliser le ddply pour calculer le revenu pour chaque Y (pas X), si j'ai quatre observations pour chaque Y (par exemple pour 2281223 avec 6 mois, 9,12 de 2010 et 3 mois de 2011). Si j'ai moins de quatre observations (par exemple pour Y = 228130), je veux simplement l'ignorer. J'utilise les commandes suivantes dans R dans le but ci-dessus:

require(plyr)
     # the data are in the data csv file
    data<-read.csv("data.csv")
    # convert Y (integers) into factors
    y<-as.factor(y)
    # get the count of each unique Y
    count<-ddply(data,.(Y), summarize, freq=length(Y))
    # get the sum of each unique Y 
    sum<-ddply(data,.(Y),summarize,tot=sum(income))
    # show the sum if number of observations for each Y is less than 4
    colbind<-cbind(count,sum)
    finalsum<-subset(colbind,freq>3)

Mes sorties sont les suivantes:

>colbind
       Y freq      Y   tot
1 228120    1 228120  1000
2 228121    3 228121 11000
3 228122    4 228122  6778
4 228124    2 228124  1311
5 228128    3 228128 14189
6 228130    3 228130  5100
7 228135    3 228135  5973
>finalsum
       Y freq    Y.1  tot
3 228122    4 228122 6778

Le code ci-dessus fonctionne, mais nécessite de nombreuses étapes. Donc, je voudrais savoir s'il existe un moyen simple d'effectuer la tâche ci-dessus (en utilisant le package plyr).

rplyr
24
Metrics

Comme indiqué dans un commentaire, vous pouvez effectuer plusieurs opérations à l'intérieur du summarize.

Cela réduit votre code à une ligne de ddply() et une ligne de sous-ensemble, ce qui est assez facile avec le [ opérateur:

x <- ddply(data, .(Y), summarize, freq=length(Y), tot=sum(income))
x[x$freq > 3, ]

       Y freq  tot
3 228122    4 6778

C'est aussi exceptionnellement facile avec le data.table paquet:

library(data.table)
data.table(data)[, list(freq=length(income), tot=sum(income)), by=Y][freq > 3]
        Y freq  tot
1: 228122    4 6778

En fait, l'opération pour calculer la longueur d'un vecteur a son propre raccourci dans data.table - Utilisez le .N raccourci:

data.table(data)[, list(freq=.N, tot=sum(income)), by=Y][freq > 3]
        Y freq  tot
1: 228122    4 6778
32
Andrie

Je pense que le package dplyr est plus rapide que plyr::ddply et plus élégant.

testData <- read.table(file = "clipboard",header = TRUE)
require(dplyr)
testData %>%
  group_by(Y) %>%
  summarise(total = sum(income),freq = n()) %>%
  filter(freq > 3)
18
HatMatrix