在两个级别上分层分组数据，然后使用dplyr计算R中的相对频率

我想做一些看起来很简单的事情，但我对R还没有很好的感觉，它是一个由曲折的段落组成的迷宫，完全不同

我有一个包含多个变量的表，我想对两个变量进行分组。。。我想要一个两级分层分组，也称为树。这显然可以使用的功能来完成

然后我想根据级别1和级别2的组计数计算边际统计（在本例中为相对频率）

如图所示，此表共有18行：

我想要这张6行的桌子：

在dplyr中有没有一种简单的方法可以做到这一点？（我可以用SQL来做，但是…）

例如编辑的

例如，基于

nycflights13

包：

library(dplyr)
install.packages("nycflights13")
require(nycflights13)
data(flights) # contains information about flights, one flight per row
ff <- flights %>% 
      mutate(approx_dist = floor((distance + 999)/1000)*1000) %>%
      select(carrier, approx_dist) %>%
      group_by(carrier, approx_dist) %>% 
      summarise(n = n()) %>% 
      arrange(carrier, approx_dist)

现在我想计算每个“载波”组中“近似距离”值的相对频率，例如，我想得到：

   carrier approx_dist     n   rel_freq
   <chr>         <dbl> <int> 
 1 9E             1000 15740   15740/(15740+2720)
 2 9E             2000  2720    2720/(15740+2720)

carrier近似距离和相对频率
1 9E 1000 15740 15740/（15740+2720）
2 9E 2000 27202720/（15740+2720）

如果我正确理解了您的问题，下面是您可以做的。这并不是为了确切地解决您的问题（我们没有数据），而是为了给您一些提示：

library(dplyr)

d <- data.frame(col1= rep(c("a", "a", "a", "b", "b", "b"),2),
                col2 = rep(c("a1", "a2", "a3", "b1", "b2", "b3"),2),
                stringsAsFactors = F)

d %>% group_by(col1) %>% mutate(count_g1 = n()) %>% ungroup() %>% 
  group_by(col1, col2) %>% summarise(rel_freq = n()/unique(count_g1)) %>% ungroup()

# # A tibble: 6 x 3
# col1  col2  rel_freq
# <chr> <chr>    <dbl>
#   1 a     a1       0.333
# 2 a     a2       0.333
# 3 a     a3       0.333
# 4 b     b1       0.333
# 5 b     b2       0.333
# 6 b     b3       0.333

更新：在问题示例中给出的

ff

表上运行此技巧，该表设置了除最后一个

mutate

之外的所有内容：

ff %>% mutate(rel_freq = prop.table(n))
# A tibble: 33 x 4
# Groups:   carrier [16]
   carrier approx_dist     n rel_freq
   <chr>         <dbl> <int>    <dbl>
 1 9E             1000 15740    0.853
 2 9E             2000  2720    0.147
 3 AA             1000  9146    0.279
 4 AA             2000 17210    0.526
 5 AA             3000  6373    0.195
 6 AS             3000   714    1    
 7 B6             1000 24613    0.450
 8 B6             2000 22159    0.406
 9 B6             3000  7863    0.144
10 DL             1000 20014    0.416
# … with 23 more rows

---

如果我对你的问题理解正确，下面是你能做的。这并不是为了确切地解决您的问题（我们没有数据），而是为了给您一些提示：

library(dplyr)

d <- data.frame(col1= rep(c("a", "a", "a", "b", "b", "b"),2),
                col2 = rep(c("a1", "a2", "a3", "b1", "b2", "b3"),2),
                stringsAsFactors = F)

d %>% group_by(col1) %>% mutate(count_g1 = n()) %>% ungroup() %>% 
  group_by(col1, col2) %>% summarise(rel_freq = n()/unique(count_g1)) %>% ungroup()

# # A tibble: 6 x 3
# col1  col2  rel_freq
# <chr> <chr>    <dbl>
#   1 a     a1       0.333
# 2 a     a2       0.333
# 3 a     a3       0.333
# 4 b     b1       0.333
# 5 b     b2       0.333
# 6 b     b3       0.333

更新：在问题示例中给出的

ff

表上运行此技巧，该表设置了除最后一个

mutate

之外的所有内容：

ff %>% mutate(rel_freq = prop.table(n))
# A tibble: 33 x 4
# Groups:   carrier [16]
   carrier approx_dist     n rel_freq
   <chr>         <dbl> <int>    <dbl>
 1 9E             1000 15740    0.853
 2 9E             2000  2720    0.147
 3 AA             1000  9146    0.279
 4 AA             2000 17210    0.526
 5 AA             3000  6373    0.195
 6 AS             3000   714    1    
 7 B6             1000 24613    0.450
 8 B6             2000 22159    0.406
 9 B6             3000  7863    0.144
10 DL             1000 20014    0.416
# … with 23 more rows

---

用于演示的假数据：

library(dplyr)
df <- data.frame(stringsAsFactors = F,
             col1 = rep(c("A","B"), each = 9),
             col2 = rep(1:3),
             value = 1:18)

#> df
#  col1 col2 value
#1     A    1     1
#2     A    2     2
#3     A    3     3
#4     A    1     4
#5     A    2     5
#6     A    3     6
#7     A    1     7
#8     A    2     8
#9     A    3     9
#10    B    1    10
#11    B    2    11
#12    B    3    12
#13    B    1    13
#14    B    2    14
#15    B    3    15
#16    B    1    16
#17    B    2    17
#18    B    3    18

库（dplyr）
df-df
#col1 col2值
#一一一一
#2 A 2 2
#3 A 3 3
#4 A 1 4
#5 A 2 5
#6 A 3 6
#7 A 17
#8 A 2 8
#9 A 3 9
#10b110
#11 B 2 11
#12 B 3 12
#13 B 1 13
#14 B 2 14
#15 B 3 15
#16 B 1 16
#17 B 2 17
#18 B 3 18

解决方案

df %>%
  group_by(col1, col2) %>%
  summarise(col2_ttl = sum(value)) %>%  # Count is boring for this data, but you 
  mutate(share_of_col1 = col2_ttl / sum(col2_ttl))  #... could use `n()` for that
## A tibble: 6 x 4
## Groups:   col1 [2]
#  col1   col2 col2_ttl share_of_col1
#  <chr> <int>    <int>         <dbl>
#1 A         1       12         0.267
#2 A         2       15         0.333
#3 A         3       18         0.4  
#4 B         1       39         0.310
#5 B         2       42         0.333
#6 B         3       45         0.357

df%>%
分组依据（col1，col2）%>%
总结（col2_ttl=sum（value））%>%#计数对于这些数据来说很无聊，但是您
变异（col1的份额=col2的ttl/sum（col2的ttl））#。。。可以用'n（）`来表示
##一个tibble:6x4
##分组：col1[2]
#第1列第2列第2列第1列的份额
#                
#1A 1120.267
#2A 2150.333
#3A 3180.4
#4b1390.310
#5B2420.333
#6B3450.357

首先，我们按两列分组。在这种情况下，排序会有所不同，因为组是按层次创建的，并且我们运行的每个摘要都会汇总最后一层分组。因此，

summary

行（或

summary

，使用英国拼写，但使用美国拼写别名）对每个col1-col2组合中的值进行汇总，留下col1的剩余分组，我们可以在下一行中使用。（试着在

和（值）之后加一个
#
，

，看看这个阶段产生了什么。）

---

在最后一行中，将

col2\u ttl

除以其组中所有

col2\u ttl

的总和，即每个

col1

伪数据的总和，用于演示：

library(dplyr)
df <- data.frame(stringsAsFactors = F,
             col1 = rep(c("A","B"), each = 9),
             col2 = rep(1:3),
             value = 1:18)

#> df
#  col1 col2 value
#1     A    1     1
#2     A    2     2
#3     A    3     3
#4     A    1     4
#5     A    2     5
#6     A    3     6
#7     A    1     7
#8     A    2     8
#9     A    3     9
#10    B    1    10
#11    B    2    11
#12    B    3    12
#13    B    1    13
#14    B    2    14
#15    B    3    15
#16    B    1    16
#17    B    2    17
#18    B    3    18

库（dplyr）
df-df
#col1 col2值
#一一一一
#2 A 2 2
#3 A 3 3
#4 A 1 4
#5 A 2 5
#6 A 3 6
#7 A 17
#8 A 2 8
#9 A 3 9
#10b110
#11 B 2 11
#12 B 3 12
#13 B 1 13
#14 B 2 14
#15 B 3 15
#16 B 1 16
#17 B 2 17
#18 B 3 18

解决方案

df %>%
  group_by(col1, col2) %>%
  summarise(col2_ttl = sum(value)) %>%  # Count is boring for this data, but you 
  mutate(share_of_col1 = col2_ttl / sum(col2_ttl))  #... could use `n()` for that
## A tibble: 6 x 4
## Groups:   col1 [2]
#  col1   col2 col2_ttl share_of_col1
#  <chr> <int>    <int>         <dbl>
#1 A         1       12         0.267
#2 A         2       15         0.333
#3 A         3       18         0.4  
#4 B         1       39         0.310
#5 B         2       42         0.333
#6 B         3       45         0.357

df%>%
分组依据（col1，col2）%>%
总结（col2_ttl=sum（value））%>%#计数对于这些数据来说很无聊，但是您
变异（col1的份额=col2的ttl/sum（col2的ttl））#。。。可以用'n（）`来表示
##一个tibble:6x4
##分组：col1[2]
#第1列第2列第2列第1列的份额
#                
#1A 1120.267
#2A 2150.333
#3A 3180.4
#4b1390.310
#5B2420.333
#6B3450.357

首先，我们按两列分组。在这种情况下，排序会有所不同，因为组是按层次创建的，并且我们运行的每个摘要都会汇总最后一层分组。因此，

summary

行（或

summary

，使用英国拼写，但使用美国拼写别名）对每个col1-col2组合中的值进行汇总，留下col1的剩余分组，我们可以在下一行中使用。（试着在

和（值）之后加一个
#
，

，看看这个阶段产生了什么。）

---

在最后一行中，将

col2_ttl

除以其组中所有

col2_ttl

的总和，即每个

col1

的总和。如果包含一个简单的示例输入和所需的输出，可以用来测试和验证可能的解决方案，则更容易帮助您。我们可以复制/粘贴到R并测试的样本数据比图片更有用。@MrFlick好的，我会这样做。这是一个非常简单的问题……如果您包含一个简单的示例输入和所需的输出，可以用来测试和验证可能的解决方案，那么就更容易帮助您。我们可以复制/粘贴到R并测试的样本数据比图片更有用。@MrFlick好的，我会这样做。不过这是一个非常简单的问题……您可以使用

prop.table

：d%%>%groupby（col1，col2）%%>%summary（n=n（））%%>%