总结R数据框架中的因素分布
假设我有这样一个data.frame:总结R数据框架中的因素分布,r,dataframe,summarization,R,Dataframe,Summarization,假设我有这样一个data.frame: X1 X2 X3 1 A B A 2 A C B 3 B A B 4 A A C 我想计算每列中出现的A、B、C等,并将结果返回为 A_count B_count C_count X1 3 1 0 X2 2 1 1 X3 1 2 1 我确信这个问题有一千个重复,但我似乎找不到一个适合我的答案:(
X1 X2 X3
1 A B A
2 A C B
3 B A B
4 A A C
我想计算每列中出现的A、B、C等,并将结果返回为
A_count B_count C_count
X1 3 1 0
X2 2 1 1
X3 1 2 1
我确信这个问题有一千个重复,但我似乎找不到一个适合我的答案:(
通过运行
apply(mydata, 2, table)
我得到的是
$X1
B A
1 3
$X2
A C B
2 1 1
但这并不完全是我想要的,如果我试图将它构建回数据帧,它就不起作用,因为我没有为每一行获得相同数量的列(比如上面的$X1,其中没有C)
我错过了什么
非常感谢!您可以重构以包含每个列的公共因子级别,然后制表。我还建议使用
lappy()
而不是apply()
,因为apply()
用于矩阵
df <- read.table(text = "X1 X2 X3
1 A B A
2 A C B
3 B A B
4 A A C", h=T)
do.call(
rbind,
lapply(df, function(x) table(factor(x, levels=levels(unlist(df)))))
)
# A B C
# X1 3 1 0
# X2 2 1 1
# X3 1 2 1
df假设您的数据帧是x
,我只需执行以下操作:
do.call(rbind, tapply(unlist(x, use.names = FALSE),
rep(1:ncol(x), each = nrow(x)),
table))
# A B C
#1 3 1 0
#2 2 1 1
#3 1 2 1
基准测试
# a function to generate toy data
# `k` factor levels
# `n` row
# `p` columns
datsim <- function(n, p, k) {
as.data.frame(replicate(p, sample(LETTERS[1:k], n, TRUE), simplify = FALSE),
col.names = paste0("X",1:p), stringsAsFactors = TRUE)
}
# try `n = 100`, `p = 500` and `k = 3`
x <- datsim(100, 500, 3)
## DirtySockSniffer's answer
system.time(do.call(rbind, lapply(x, function(u) table(factor(u, levels=levels(unlist(x)))))))
# user system elapsed
# 21.240 0.068 21.365
## my answer
system.time(do.call(rbind, tapply(unlist(x, use.names = FALSE), rep(1:ncol(x), each = nrow(x)), table)))
# user system elapsed
# 0.108 0.000 0.111
改进的Dirty的答案是:
system.time(do.call(rbind, tapply(unlist(x, use.names = FALSE), rep(1:ncol(x), each = nrow(x)), table)))
# user system elapsed
# 1.844 0.056 1.904
system.time({clevels <- levels(unlist(x, use.names = FALSE));
do.call(rbind, lapply(x, function(u) table(factor(u, levels=clevels))))})
# user system elapsed
# 1.240 0.012 1.263
system.time({clevels Hi Zheyuan,不重要,但在我的笔记本电脑上levels(u)[u]
比as.character
慢一点(我认为这是有道理的,因为我确信r的人已经优化了这个)对于第二个例子,它看起来似乎更快,因为在较小的向量上调用as.numeric,而不是在完整的向量上。因此,如果需要转换为numeric,它看起来会更快,正如您所说。
system.time(do.call(rbind, tapply(unlist(x, use.names = FALSE), rep(1:ncol(x), each = nrow(x)), table)))
# user system elapsed
# 1.844 0.056 1.904
system.time({clevels <- levels(unlist(x, use.names = FALSE));
do.call(rbind, lapply(x, function(u) table(factor(u, levels=clevels))))})
# user system elapsed
# 1.240 0.012 1.263