按类别计算R中的百分比
以下是我的数据示例：按类别计算R中的百分比,r,R,以下是我的数据示例： dfretret附上了一个可能的解决方案。也许有更好的办法，但我会“自发地”想出 问候 df_test <- read.table(header = TRUE, text = "book pen desk ipad 3 4 3 4 3 0 0 3 0 3 0 2 1 3 2 1 4 1 4 3 0 0 3 1 2 1 3 2 0
dfretret附上了一个可能的解决方案。也许有更好的办法，但我会“自发地”想出
问候
df_test <- read.table(header = TRUE, text =
"book pen desk ipad
3 4 3 4
3 0 0 3
0 3 0 2
1 3 2 1
4 1 4 3
0 0 3 1
2 1 3 2
0 2 1 0
4 2 2 2
0 1 2 1
1 4 1 4
2 0 1 3
4 3 2 0
4 0 4 2"
)
low <- list()
medium <- list()
high <- list()
for(i in 1:ncol(df_test)) # i=1
{
low[[i]] <- ifelse((df_test[,i]==0 | df_test[,i]==1),df_test[,i],NA)
low[[i]] <- sum(colSums(!is.na(t(low[[i]])))) / length(low[[i]]) *100
medium[[i]] <- ifelse((df_test[,i]==2 | df_test[,i]==3),df_test[,i],NA)
medium[[i]] <- sum(colSums(!is.na(t(medium[[i]])))) / length(medium[[i]]) *100
high[[i]] <- ifelse((df_test[,i]==4 | df_test[,i]==5),df_test[,i],NA)
high[[i]] <- sum(colSums(!is.na(t(high[[i]])))) / length(high[[i]]) *100
}
names(low) <- colnames(df_test)
names(medium) <- colnames(df_test)
names(high) <- colnames(df_test)
df_test_final <- data.frame("Class"=colnames(df_test),"Low"=NA,"Medium"=NA,"High"=NA)
df_test_final[,2] <- do.call(rbind,low)
df_test_final[,3] <- do.call(rbind,medium)
df_test_final[,4] <- do.call(rbind,high)
df_测试附上了一个可能的解决方案。也许有更好的办法，但我会“自发地”想出
问候
df_test <- read.table(header = TRUE, text =
"book pen desk ipad
3 4 3 4
3 0 0 3
0 3 0 2
1 3 2 1
4 1 4 3
0 0 3 1
2 1 3 2
0 2 1 0
4 2 2 2
0 1 2 1
1 4 1 4
2 0 1 3
4 3 2 0
4 0 4 2"
)
low <- list()
medium <- list()
high <- list()
for(i in 1:ncol(df_test)) # i=1
{
low[[i]] <- ifelse((df_test[,i]==0 | df_test[,i]==1),df_test[,i],NA)
low[[i]] <- sum(colSums(!is.na(t(low[[i]])))) / length(low[[i]]) *100
medium[[i]] <- ifelse((df_test[,i]==2 | df_test[,i]==3),df_test[,i],NA)
medium[[i]] <- sum(colSums(!is.na(t(medium[[i]])))) / length(medium[[i]]) *100
high[[i]] <- ifelse((df_test[,i]==4 | df_test[,i]==5),df_test[,i],NA)
high[[i]] <- sum(colSums(!is.na(t(high[[i]])))) / length(high[[i]]) *100
}
names(low) <- colnames(df_test)
names(medium) <- colnames(df_test)
names(high) <- colnames(df_test)
df_test_final <- data.frame("Class"=colnames(df_test),"Low"=NA,"Medium"=NA,"High"=NA)
df_test_final[,2] <- do.call(rbind,low)
df_test_final[,3] <- do.call(rbind,medium)
df_test_final[,4] <- do.call(rbind,high)
df_测试这里有一个tidyverse
解决方案：
library(tidyverse)
df <- read.table(header = TRUE, text =
"book pen desk ipad
3 4 3 4
3 0 0 3
0 3 0 2
1 3 2 1
4 1 4 3
0 0 3 1
2 1 3 2
0 2 1 0
4 2 2 2
0 1 2 1
1 4 1 4
2 0 1 3
4 3 2 0
4 0 4 2"
)
df %>%
pivot_longer(1:4,
names_to = "Class",
values_to = "value") %>%
mutate(category = case_when(value %in% 0:1 ~ "l",
value == 2 ~ "m",
value %in% 3:4 ~ "h")) %>%
group_by(Class, category) %>%
count(category) %>%
pivot_wider(names_from = category, values_from = n) %>%
transmute(Class = Class,
High = h / sum(h, m, l)*100,
Medium = m / sum(h, m, l)*100,
Low = l / sum(h, m, l)*100)
库（tidyverse）
df%
枢轴_更长（1:4，
name_to=“Class”，
值_to=“value”）%>%
当（值%0:1~“l”，
值==2~“m”，
%3:4~“h”）中的值%）%>%
分组依据（类别、类别）%>%
计数（类别）%>%
透视图（名称从=类别，值从=n）%>%
蜕变（阶级=阶级，
高=h/和（h，m，l）*100，
中等=米/总和（高、米、长）*100，
低=l/和（h，m，l）*100）
以及由此产生的表格：
# A tibble: 4 x 4
# Groups: Class [4]
Class High Medium Low
<chr> <dbl> <dbl> <dbl>
1 book 42.9 14.3 42.9
2 desk 35.7 28.6 35.7
3 ipad 35.7 28.6 35.7
4 pen 35.7 14.3 50
#一个tible:4 x 4
#组别:班级[4]
级别高中低
1第42.9 14.3 42.9册
2办公桌35.7 28.6 35.7
3 ipad 35.7 28.6 35.7
4笔35.7 14.3 50
这里有一个tidyverse
解决方案：
library(tidyverse)
df <- read.table(header = TRUE, text =
"book pen desk ipad
3 4 3 4
3 0 0 3
0 3 0 2
1 3 2 1
4 1 4 3
0 0 3 1
2 1 3 2
0 2 1 0
4 2 2 2
0 1 2 1
1 4 1 4
2 0 1 3
4 3 2 0
4 0 4 2"
)
df %>%
pivot_longer(1:4,
names_to = "Class",
values_to = "value") %>%
mutate(category = case_when(value %in% 0:1 ~ "l",
value == 2 ~ "m",
value %in% 3:4 ~ "h")) %>%
group_by(Class, category) %>%
count(category) %>%
pivot_wider(names_from = category, values_from = n) %>%
transmute(Class = Class,
High = h / sum(h, m, l)*100,
Medium = m / sum(h, m, l)*100,
Low = l / sum(h, m, l)*100)
库（tidyverse）
df%
枢轴_更长（1:4，
name_to=“Class”，
值_to=“value”）%>%
当（值%0:1~“l”，
值==2~“m”，
%3:4~“h”）中的值%）%>%
分组依据（类别、类别）%>%
计数（类别）%>%
透视图（名称从=类别，值从=n）%>%
蜕变（阶级=阶级，
高=h/和（h，m，l）*100，
中等=米/总和（高、米、长）*100，
低=l/和（h，m，l）*100）
以及由此产生的表格：
# A tibble: 4 x 4
# Groups: Class [4]
Class High Medium Low
<chr> <dbl> <dbl> <dbl>
1 book 42.9 14.3 42.9
2 desk 35.7 28.6 35.7
3 ipad 35.7 28.6 35.7
4 pen 35.7 14.3 50
#一个tible:4 x 4
#组别:班级[4]
级别高中低
1第42.9 14.3 42.9册
2办公桌35.7 28.6 35.7
3 ipad 35.7 28.6 35.7
4笔35.7 14.3 50
我从开始？剪切。这是一个“binning”函数，在这个函数中，它将[0,2）
，[2,4）
，和[4，Inf）
（左关闭，右打开，b/c右=真
）。你可以看到它对一列的剪切（df[，1]，c（0,2,4，Inf），right=假）
（暂时不要使用标签=/code>）并查看它返回的因子
s如上所述。将c（0,2,4，Inf）
更改为c（0,2,3，Inf）
，这涵盖了更改后的逻辑。您是否看到cut（…，right=FALSE）
如何工作的模式？我将从开始？cut
。这是一个“binning”函数，它将[0,2]中的每个值都存储在，[2,4）
，和[4，Inf）
（左关闭，右打开，b/cright=TRUE
）。您可以看到它对一列使用cut（df[，1]，c（0,2,4，Inf），right=FALSE）
（暂时不使用标签=
，并查看它返回的因子是否如上所述。将c（0,2,4，Inf）
更改为c（0,2,3，Inf）
，它涵盖了您更改的逻辑。您是否看到cut（…，right=FALSE）
的工作模式？