关于r：dplyr-多种汇总功能


dplyr - Multiple summary functions

我正在尝试为一个数据帧计算多个统计信息。

我尝试了dplyr的summarise_each。但是，结果以平坦的单行返回，并添加了函数名作为后缀。

是否有直接方法-使用dplyr或基数r-在其中我可以在数据框中获得结果，而列是数据框的列，行是汇总函数？

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
library(dplyr)

df = data.frame(A = sample(1:100, 20),
                B = sample(110:200, 20),
                C = sample(c(0,1), 20, replace = T))

df %>% summarise_each(funs(min, max))
# A_min B_min C_min A_max B_max C_max
# 1    13   117     0    98   188     1

# Desired format
summary(df)
# A               B               C      
# Min.   :13.00   Min.   :117.0   Min.   :0.00  
# 1st Qu.:34.75   1st Qu.:134.2   1st Qu.:0.00  
# Median :45.00   Median :148.0   Median :1.00  
# Mean   :52.35   Mean   :149.9   Mean   :0.65  
# 3rd Qu.:62.50   3rd Qu.:168.8   3rd Qu.:1.00  
# Max.   :98.00   Max.   :188.0   Max.   :1.00
相关讨论

为什么不简单地将sapply与summary一起使用？

1
sapply(df, summary)

给予：

1
2
3
4
5
6
7
            A     B    C
Min.     1.00 112.0 0.00
1st Qu. 23.75 134.5 0.00
Median  57.00 148.5 1.00
Mean    50.15 149.9 0.55
3rd Qu. 77.50 167.2 1.00
Max.    94.00 191.0 1.00

要恢复数据框，只需将sapply调用package在data.frame()中：data.frame(sapply(df, summary))。如果要将摘要统计名称保留在列中，则可以使用rownames(df)和df$rn <- rownames(df)提取它们，或者使用data.table：

中的keep.rownames参数

1
2
library(data.table)
dt <- data.table(sapply(df, summary), keep.rownames = TRUE)

给出：

1
2
3
4
5
6
7
8
> dt
        rn     A     B   C
1:    Min. 11.00 113.0 0.0
2: 1st Qu. 21.50 126.8 0.0
3:  Median 55.00 138.0 0.5
4:    Mean 53.65 145.2 0.5
5: 3rd Qu. 83.25 160.5 1.0
6:    Max. 98.00 193.0 1.0

怎么样：

1
2
library(tidyr)
gather(df) %>% group_by(key) %>% summarise_all(funs(min, max))
1
2
3
4
5
6
# A tibble: 3 × 3
    key   min   max
  <chr> <dbl> <dbl>
1     A     2    92
2     B   111   194
3     C     0     1

使用您建议的data.frame，并使用库purrr

1
2
3
4
5
6
7
8
9
10
library(purrr)
out <- df %>% map(~summary(.)) %>% rbind.data.frame
row.names(out) <- c("Min.","1st Qu.","Median","Mean","3rd Qu.","Max.")
####             A     B   C
#### Min.     7.00 110.0 0.0
#### 1st Qu. 36.75 132.5 0.0
#### Median  53.50 143.5 0.5
#### Mean    55.45 151.8 0.5
#### 3rd Qu. 82.00 167.0 1.0
#### Max.    99.00 199.0 1.0

你去了。我只想提一下，该代码仅适用于具有100％数字变量的输入data.frame。如果存在字符/因子变量，则它将返回错误，因为摘要的输出完全不同。

这不是唯一的方法，但是您可以根据需要使用dplyr和tidyr重塑data.frame。 (和stringr或其他字符来修剪字符。)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
library(dplyr)

df = data.frame(A = sample(1:100, 20),
                B = sample(110:200, 20),
                C = sample(c(0,1), 20, replace = T))

as_data_frame(summary(df)) %>%
  # some blank character could be trim
  mutate(Var2 = stringr::str_trim(Var2)) %>%
  # you don't need Var1
  select(-Var1) %>%
  # Get the type of summary and the value
  tidyr::separate(n, c("Type","value"), sep =":") %>%
  # Convert value to numeric
  mutate(value = as.numeric(value)) %>%
  # reshape as you wish
  tidyr::spread(Var2, value, drop = T)
#> # A tibble: 6 x 4
#>      Type     A     B     C
#> *   <chr> <dbl> <dbl> <dbl>
#> 1 1st Qu. 36.25 122.2  1.00
#> 2 3rd Qu. 77.25 164.5  1.00
#> 3 Max.    95.00 193.0  1.00
#> 4 Mean    57.30 144.6  0.85
#> 5 Median  63.00 143.5  1.00
#> 6 Min.     8.00 111.0  0.00

不使用tidyr或dplyr：

的方法

1
2
3
4
5
6
df <- data.frame(A = sample(1:100, 20),
                 B = sample(110:200, 20),
                 C = sample(c(0,1), 20, replace = T))
df %>%
    lapply(summary) %>%
    do.call("rbind", .)

输出：

1
2
3
4
  Min. 1st Qu. Median   Mean 3rd Qu. Max.
A    9    32.5   50.5  49.65   70.25   84
B  116   137.2  162.5 157.70  178.20  196
C    0     0.0    0.0   0.45    1.00    1

如果要使用dplyr进行操作，请尝试：

1
2
3
4
df %>%
    gather(attribute, value) %>%
    group_by(attribute) %>%
    do(as.data.frame(as.list(summary(.$value))))

输出：

1
2
3
4
5
6
7
8
Source: local data frame [3 x 7]
Groups: attribute [3]

  attribute  Min. X1st.Qu. Median   Mean X3rd.Qu.  Max.
      <chr> <dbl>    <dbl>  <dbl>  <dbl>    <dbl> <dbl>
1         A     9     32.5   50.5  49.65    70.25    84
2         B   116    137.2  162.5 157.70   178.20   196
3         C     0      0.0    0.0   0.45     1.00     1

非常感谢大家的帮助！经过一番樱桃采摘后，我使用了以下方法。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
# Dataframe
df = data.frame(A = sample(1:100, 20),
                B = sample(110:200, 20),
                C = sample(c(0,1), 20, replace = T))

# Add summary functions to a list
summaryFns = list(
  NA.n  = function(x) sum(is.na(x)),
  NA.percent = function(x) sum(is.na(x))/length(x),
  unique.n = function(x) ifelse(sum(is.na(x)) > 0, length(unique(x)) - 1, length(unique(x))),
  min = function(x) min(x, na.rm=TRUE),
  max = function(x) max(x, na.rm=TRUE))


# Summarise data frame with each function
# Using dplyr:
library(dplyr)
sapply(summaryFns, function(fn){df %>% summarise_all(fn)})
#   NA.n NA.percent unique.n min max
# A 0    0          20       1   98
# B 0    0          20       114 200
# C 0    0          2        0   1  

# Using base-r:
sapply(summaryFns, function(fn){sapply(df, fn)})
#     NA.n NA.percent unique.n min max
# A    0          0       20   1  98
# B    0          0       20 114 200
# C    0          0        2   0   1

我认为这是最直接，最灵活的方法。
进一步的评论，修改和建议，不胜感激。